24小时热门版块排行榜

返回列表

prettyfarmer

新虫 (初入文坛)

应助: 0 (幼儿园)
金币: 272.3
帖子: 48
在线: 13.3小时
虫号: 1731574

[交流] 对声音信号在svm里识别，识别率能达到100%，这样的结果正常么？

最近在对一维信号识别，包括声音信号
后期分类识别使用的是libSVM，发现识别效果都很高，基本上98%以上。
有一些识别率低的，对训练数据人工选取和对svm参数寻优调整后，也能上升到90%-100%。
这样的结果正常么？会不会太高了
本人用的测试数据是和训练数据不同的。

回复此楼

» 猜你喜欢

» 本主题相关价值贴推荐，对您同样有帮助:

一大波职位来袭~~~~北京、上海--竹间智能科技--情感类智能机器人已经有2人回复

» 抢金币啦！回帖就可以得到:

查看全部散金贴

1楼 2012-12-07 15:44:55

已阅回复此楼关注TA 给TA发消息送TA红花 TA的回帖

chentianyu1

木虫 (小有名气)

应助: 67 (初中生)
金币: 2579
帖子: 252
在线: 450.2小时
虫号: 532712

★ ★ ★
prettyfarmer(金币+1): 谢谢参与
prettyfarmer: 金币+2 2012-12-08 13:24:38

判断方法很简单，拿一组真实的数据，用你训练出的模型分类一下，如果依然正确率很高，那么就没问题了。
可能存在的问题是，你数据本身的类内误差很小、类间误差很大，或者测试集与训练集太接近。
举例来说，假设是根据输入的声音文件分析场景，一个场景是卧室，另一个场景是街道，这个通过分贝平均值的特征进行分类显然正确率99%以上很正常，这就属于数据本身类内误差小类间误差大，出现这种情况可能说明你的分类问题很简单，或者你为某个较难的分类问题找到了很好的描述特征。
同样是这个声音分析场景的问题，假如你要通过声音数据区分会议室和化学实验室，这个显然分类效果应该比较差。但是，如果你采集的数据中会议室都是女性讲话的声音，实验室都是男性讲话的声音，则问题退化为男声女声分类，使用声音平均频率作为特征值，也很可能正确率超过90%。然而，这时候你重新采集另外一组会议室、实验室的声音测试，就会发现这个分类器完全不适用，这就是由你的测试集与训练集太接近造成的。

赞一下

回复此楼

2楼2012-12-07 16:14:58

已阅回复此楼关注TA 给TA发消息送TA红花 TA的回帖

prettyfarmer

新虫 (初入文坛)

应助: 0 (幼儿园)
金币: 272.3
帖子: 48
在线: 13.3小时
虫号: 1731574

引用回帖:

2楼: Originally posted by chentianyu1 at 2012-12-07 16:14:58
判断方法很简单，拿一组真实的数据，用你训练出的模型分类一下，如果依然正确率很高，那么就没问题了。
可能存在的问题是，你数据本身的类内误差很小、类间误差很大，或者测试集与训练集太接近。
举例来说，假设是 ...

so~ga~ 谢谢哦 ~~ 我再测试