1. 如何計算svm分類器預測的准確率
數據來倉庫，資料庫或者源其它信息庫中隱藏著許多可以為商業、科研等活動的決策提供所需要的知識。分類與預測是兩種數據分析形式，它們可以用來抽取能夠描述重要數據集合或預測未來數據趨勢的模型。分類方法（Classification）用於預測數據對象的離散類別（Categorical Label）；預測方法（Prediction ）用於預測數據對象的連續取值。
分類技術在很多領域都有應用，例如可以通過客戶分類構造一個分類模型來對銀行貸款進行風險評估；當前的市場營銷中很重要的一個特點是強調客戶細分。客戶類別分析的功能也在於此，採用數據挖掘中的分類技術，可以將客戶分成不同的類別，比如呼叫中心設計時可以分為：呼叫頻繁的客戶、偶然大量呼叫的客戶、穩定呼叫的客戶、其他，幫助呼叫中心尋找出這些不同種類客戶之間的特徵，這樣的分類模型可以讓用戶了解不同行為類別客戶的分布特徵；其他分類應用如文獻檢索和搜索引擎中的自動文本分類技術；安全領域有基於分類技術的入侵檢測等等。機器學習、專家系統、統計學和神經網路等領域的研究人員已經提出了許多具體的分類預測方法。下面對分類流程作個簡要描述：
2. 如何提高不平衡數據分類問題的准確率
大概首先的課程是些分類器的演算法，和概率統計的內容。 然後可能會研究出新的分類器演算法，提高准確度，或者改進到ROC/AUC，應用到一些實際的分類，例如病理測試，垃圾郵件分類等的問題
3. 什麼情況下分類器的准確性可能顯著小於50%嗎
這個我不懂
4. bagging可以提高分類器准確率嗎
這是必須的啊，要生成分類器，必須要有bagging.
5. 如何使用回歸測試來評估分類器的准確率
可以使用自動化測試工具TestWriter，它可以做過回歸測試後自動生成報告~
6. 提高類不平衡數據分類准確率的方法中哪個不涉及對分類模型結構的改變
大概首先的課程是些分類器的演算法，和概率統計的內容。然後可能會研究出新的分類器演算法，提高准確度，或者改進到ROC/AUC，應用到一些實際的分類，例如病理測試，垃圾郵件分類等的問題
7. SVM等分類器是怎麼對演算法進行准確度計算的。。
資料庫或者其信息庫隱藏著許商業、科研等決策提供所需要知識類與預測兩種數版據析形式用抽權取能夠描述重要數據集合或預測未數據趨勢模型類（Classification）用於預測數據象離散類別（Categorical Label）；預測（Prediction ）用於預測數據象連續取值！
8. 深度學習模型訓練過程中准確率不提升，可能原因是什麼
可以復從多種方向進行調整: 1 將損失函數換製成交叉熵損失函數，因為訓練後期誤差較小時，使用均方誤差作為損失函數，則梯度越來越小，因此訓練進程會越來越平緩。 2使用隨機梯度下降法，防止局部收斂 3調小學習率
9. 如果一個分類器只有80%的准確率，那麼最好的情況攻擊將需要在20%的情況下改變0
登鸛雀樓（王之渙）
10. 如何改進SVM演算法，最好是自己的改進方法，別引用那些前人改進的演算法
樓主對於這種問題的答案完全可以上SCI了，知道答案的人都在寫論文中，所以我可以給幾個改專進方向給你屬提示一下：
1 SVM是分類器對於它的准確性還有過擬合性都有很成熟的改進，所以採用數學方法來改進感覺很難了，但是它的應用很廣泛 SVMRank貌似就是netflix電影推薦系統的核心演算法，你可以了解下
2 與其他演算法的聯合，boosting是一種集成演算法，你可以考慮SVM作為一種弱學習器在其框架中提升學習的准確率
SVM的本身演算法真有好的改進完全可以在最高等級雜志上發論文，我上面說的兩個方面雖然很簡單但如果你有實驗數據證明，在國內發表核心期刊完全沒問題，本人也在論文糾結中。。