浙大机器学习课程-9-支持向量机（交叉验证，ROC EER，SVM处理多分类）

在交叉验证中，训练样本不做测试（训练样本的测试结果不能作为模型好坏的评判标准）
交叉验证可以充分利用训练样本
留一法：把n个样本分成n份，每次训练n-1个，留一个样本做测试
模型没训练好的情况：①：参数没选好②数据集本身没有规律，③SVM算法没有找到这些数据的规律
如果一个系统把更多的正样本识别为正样本，那么也一定会把更多的负样本识别为正样本，即TP增加，则FP也增加
在这张ROC图中,对于横坐标每一个识别错误（FP），蓝色的线纵坐标（TP）都更高，所以蓝色的线的模型性能更好，一般比较系统，比较FP为0时的TP值。
模型的好坏不能只用识别率来判断，还需要用ROC曲线和EER曲线，以及可以用面积法来判断

SVM处理多类问题

（2）一类VS其他类

针对（2）一类VS其他类解释一下
假设有C1,C2,C3这3个类，要实现多分类的话，我们先把C1C2归为一类，C3作为另一类，训练的到模型SVM1,同样的方法得到模型SVM2,SVM3,现在有一个样本x，假设在SVM1上判断为1，在SVM2上判断为1，在SVM3上判断为-1，那么可以得出x属于C1类

那如果在SVM1判断为1，在SVM2判断为-1，在SVM3判断为-1，则x要么属于C1要么属于C2，怎么进一步判断呢

算这个值，哪一个负得多就取哪一个

（3）一类VS另一类

那么输入的x属于C1,如果有n类的话，就需要(n*(n-1))/2个SVM模型