A saída do Scikit SVM na classificação multiclass sempre fornece a mesma etiqueta

Atualmente, estou usando o Scikit learn com o seguinte código:

clf = svm.SVC(C=1.0, tol=1e-10, cache_size=600, kernel='rbf', gamma=0.0, 
              class_weight='auto')

e ajuste e preveja para um conjunto de dados com 7 rótulos diferentes. Eu tenho uma saída estranha. Não importa qual técnica de validação cruzada eu use o rótulo previsto no conjunto de validação sempre será o rótulo 7.

Eu tento alguns outros parâmetros, incluindo o padrão completo ( svm.SVC()), mas contanto que o método do kernel que eu use seja em rbfvez de polyou linearsimplesmente não funcione, enquanto ele funciona realmente bem para polye linear.

Além disso, eu já tentei prever dados de trem em vez de dados de validação e eles se encaixam perfeitamente.

Alguém vê esse tipo de problema antes e sabe o que está acontecendo aqui?

Eu nunca olho para a minha distribuição de classe em detalhes, mas sei que deve ser em torno de 30% deles são 7, 14% são 4.

Eu até tento uma implementação manual 1-versus-rest e ainda não é útil.

Uma causa provável é o fato de você não estar ajustando seu modelo. Você precisa encontrar bons valores para e . No seu caso, os padrões acabam sendo ruins, o que leva a modelos triviais que sempre produzem uma determinada classe. Isso é particularmente comum se uma classe tiver muito mais instâncias que as outras. Qual é a sua distribuição de classe?$C$$\gamma$

O scikit-learn possui recursos limitados de pesquisa por hiperparâmetros, mas você pode usá-lo junto com uma biblioteca de ajustes como o Optunity . Um exemplo sobre o ajuste do SVC do scikit-learn com o Optunity está disponível aqui .

_{Isenção de responsabilidade: Eu sou o desenvolvedor principal do Optunity.}

O problema acaba sendo o teste de parâmetros. Eu não tentei quando gammaestá entre 0,0 (que é 1 / n_feature) e 1. Em meus dados gammadeve ser girar para algo em torno de1e-8