我正在尝试在我的训练和测试数据集上运行不同类型的SVM回归。我的所有代码都能正常运行，但我感觉我没有正确运行它，因为我在训练和测试集上都得到了超过0.95的准确率，这显然太高了。

以下是我运行回归的代码。数据集太大无法上传（10000行等），但包含的所有数值变量都已经进行了缩放处理。

我认为我是在单独的模型上运行测试，而不是在训练模型上，但我不知道如何更改。我猜想这是所有类型的SVM都会犯的相同错误，所以我只上传了两种我正在使用的代码，以便整洁。

希望我已经解释得很清楚了，如果没有，我可以重新表述。

##非线性方法
set.seed(123)
poly.tune = tune.svm(default_flag~., data=train, kernel="polynomial",degree=c(3), coef0=c(0.1))
#summary(poly.tune)
#train
best.poly = poly.tune$best.model
poly.train = predict(best.poly, newdata=train)
svmnonlintrain<-table(poly.train, train$default_flag)
##从表中计算准确率
nonlineartrain<-(svmnonlintrain[1,1]+svmnonlintrain[2,2])/(svmnonlintrain[1,1]+svmnonlintrain[1,2]+svmnonlintrain[2,1]+svmnonlintrain[2,2])
#test
best.poly = poly.tune$best.model
poly.test = predict(best.poly, newdata=test)
svmnonlin<-table(poly.test, test$default_flag)
##从表中计算准确率
nonlineartest<-(svmnonlin[1,1]+svmnonlin[2,2])/(svmnonlin[1,1]+svmnonlin[1,2]+svmnonlin[2,1]+svmnonlin[2,2])
##径向基函数
set.seed(123)
rbf.tune = tune.svm(default_flag~., data=train, kernel="radial",gamma=c(0.1,0.5))
#summary(rbf.tune)
#train
best.rbf = rbf.tune$best.model
rbf.train = predict(best.rbf, newdata=train)
svmradialtrain <- table(rbf.train, train$default_flag)
radialtrain<-(svmradialtrain[1,1]+svmradialtrain[2,2])/(svmradialtrain[1,1]+svmradialtrain[1,2]+svmradialtrain[2,1]+svmradialtrain[2,2])
#test
best.rbf = rbf.tune$best.model
rbf.test = predict(best.rbf, newdata=test)
svmradial <- table(rbf.test, test$default_flag)
radialtest<-(svmradial[1,1]+svmradial[2,2])/(svmradial[1,1]+svmradial[1,2]+svmradial[2,1]+svmradial[2,2])

回答：

让我猜猜：这是一个信用风险数据集，你在预测违约的概率（响应变量default_flag）。如果这和其他的信用风险数据集一样，你的响应变量非常不平衡，非违约的样本远多于违约的样本。我再猜测一下，非违约的样本可能超过90%。

如果是这样的话，我只需预测所有人都不会违约就能得到90%的准确率。当然，这并没有什么用处。

对于不平衡数据，错误率并不是一个有意义的性能衡量标准。请使用其他衡量标准，如AUC或基尼系数，甚至是熵（二元对数似然）。