㈠ 如何提高pb神经网络分类的准确率
要想提高BP神经网络分类的准确率，关键在于提高网络性能，使网络能够反映数据的内部非线性规律。一般有以下几种措施：
保证学习样本质量。网络的输出结果质量不可能超出原始训练数据的质量，一定要保证样本准确、典型、规模足够大。
选定合适的输入向量方案。输入向量的配置方案不是固定的，可以添加自变量，增加因素。
选定适当的隐层节点数。过少学习能力不足，过多可能过拟合并且学习较慢。
调整参数，如学习率、学习目标等。
与其他算法结合进行改进。如带动量项的BP算法、与GA算法融合的GA-BP算法等。
效果不理想时，可考虑增加隐层数量。
㈡ 如何提高不平衡数据分类问题的准确率
大概首先的课程是些分类器的算法，和概率统计的内容。 然后可能会研究出新的分类器算法，提高准确度，或者改进到ROC/AUC，应用到一些实际的分类，例如病理测试，垃圾邮件分类等的问题
㈢ 提高类不平衡数据分类准确率的方法中哪个不涉及对分类模型结构的改变
大概首先的课程是些分类器的算法，和概率统计的内容。然后可能会研究出新的分类器算法，提高准确度，或者改进到ROC/AUC，应用到一些实际的分类，例如病理测试，垃圾邮件分类等的问题
㈣ 简述分类器性能评估的方法
我的第一篇知乎文章提到了非平衡数据集（imbalanced set）下使用准确率作为分类器的分类性能评估指标会误导我们选择实际分类性能较差的分类器，并提到了几种更适合的性能评估指标。这篇文章会从分类结果的第一步——混淆矩阵（confusion matrix）出发，介绍一些常用的分类器性能评估指标。
为了节省大家的时间，在这里列出这篇文章涉及的性能评估指标：
精度（Accuracy）
查全率（Recall）
查准率（Precision）
F1 score
Kappa
ROC和AUC
大部分的分类性能评估指标都是从混淆矩阵（confusion matrix）延伸出来的
上图的混淆矩阵为二分类问题的混淆矩阵。二分类问题是生活中很常见的任务之一，比如医生根据各种生理指标判断一个人是一型糖尿病还是二型糖尿病。在上图中Predicted和Actual分别表示预测值和真实值，在糖尿病检测中，predicted表示医生的诊断，actual表示患者的的真实情况。这个例子可能不是非常贴切，因为一般来说医生的诊断出错的概率并不大，不过不排除有一定的误诊率。上图中的四个象限分别表示：
TP（True Positive）：预测正确的正例
FP（False Positive）：预测错误的正例，在统计学中又叫第二类错误
FN（False Negative）：预测错误的反例，在统计学中叫做第一类错误
TN（True Negative）：预测正确的反例
㈤ 如何提高机器学习中的分类准确率
造成效果不好的原因可以有： 语料质量不好 特征词选取不好 特征维度不够 特征权重不够好 选择的算法学习能力弱 模型欠拟合 以上都不是，看看数据格式是不是有问题，排除不是低级错误导致的效果差 等等
㈥ 如何提高SVM分类准确率
请指点！leoluodo(站内联系TA)根据你使用的核函数不同进行调整。tangmnt(站内联系TA)能否请leoluodo详细解释一下？eric2000(站内联系TA)先测试 样本特征集的 可分性 再考虑，做一下可视化分析flybird_fish(站内联系TA)坛子里应该有很多虫子用过SVM，但是你的问题问得实在模糊，不知道该怎么解释给你听。当然可以修改参数提高识别率，但是不知道你用的什么样的核函数，程序参数是什么sunway1988(站内联系TA)我的毕业设计就是做的人脸表情识别，当时识别的准确率也很低，30%左右，不过happiness的识别准确度很高，高达90%。但是，当时由于时间比较紧，就没有继续进行完善。不过，要想提高识别准确率，修改SVM参数是其一，但是我用参数寻优找到最优的参数进行分类，效果并没有得到改善。所以，这种情况，我想要提高识别准确率，就应该在特征提取上进一步优化，使提取的特征经降维以后具有更大的区分度，这样进行SVM分类才能得到更好的效果。
㈦ 资产风险分类工作中可以采取哪儿些工具和方法提高分类的及时性和准确性
资产风险分类工作中可以采取定性和定量相结合的方法提高分类的及时性和准确性
㈧ bagging可以提高分类器准确率吗
这是必须的啊，要生成分类器，必须要有bagging.
㈨ 提高图像分类准确率的方法
借助大数据技术，或者人工分类。