1. 如何计算svm分类器预测的准确率
数据来仓库，数据库或者源其它信息库中隐藏着许多可以为商业、科研等活动的决策提供所需要的知识。分类与预测是两种数据分析形式，它们可以用来抽取能够描述重要数据集合或预测未来数据趋势的模型。分类方法（Classification）用于预测数据对象的离散类别（Categorical Label）；预测方法（Prediction ）用于预测数据对象的连续取值。
分类技术在很多领域都有应用，例如可以通过客户分类构造一个分类模型来对银行贷款进行风险评估；当前的市场营销中很重要的一个特点是强调客户细分。客户类别分析的功能也在于此，采用数据挖掘中的分类技术，可以将客户分成不同的类别，比如呼叫中心设计时可以分为：呼叫频繁的客户、偶然大量呼叫的客户、稳定呼叫的客户、其他，帮助呼叫中心寻找出这些不同种类客户之间的特征，这样的分类模型可以让用户了解不同行为类别客户的分布特征；其他分类应用如文献检索和搜索引擎中的自动文本分类技术；安全领域有基于分类技术的入侵检测等等。机器学习、专家系统、统计学和神经网络等领域的研究人员已经提出了许多具体的分类预测方法。下面对分类流程作个简要描述：
2. 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
3. 什么情况下分类器的准确性可能显著小于50%吗
这个我不懂
4. 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.
5. 如何使用回归测试来评估分类器的准确率
可以使用自动化测试工具TestWriter，它可以做过回归测试后自动生成报告~
6. 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
7. SVM等分类器是怎么对算法进行准确度计算的。。
数据库或者其信息库隐藏着许商业、科研等决策提供所需要知识类与预测两种数版据析形式用抽权取能够描述重要数据集合或预测未数据趋势模型类（Classification）用于预测数据象离散类别（Categorical Label）；预测（Prediction ）用于预测数据象连续取值！
8. 深度学习模型训练过程中准确率不提升，可能原因是什么
可以复从多种方向进行调整: 1 将损失函数换制成交叉熵损失函数，因为训练后期误差较小时，使用均方误差作为损失函数，则梯度越来越小，因此训练进程会越来越平缓。 2使用随机梯度下降法，防止局部收敛 3调小学习率
9. 如果一个分类器只有80%的准确率，那么最好的情况攻击将需要在20%的情况下改变0
登鹳雀楼（王之涣）
10. 如何改进SVM算法，最好是自己的改进方法，别引用那些前人改进的算法
楼主对于这种问题的答案完全可以上SCI了，知道答案的人都在写论文中，所以我可以给几个改专进方向给你属提示一下：
1 SVM是分类器对于它的准确性还有过拟合性都有很成熟的改进，所以采用数学方法来改进感觉很难了，但是它的应用很广泛 SVMRank貌似就是netflix电影推荐系统的核心算法，你可以了解下
2 与其他算法的联合，boosting是一种集成算法，你可以考虑SVM作为一种弱学习器在其框架中提升学习的准确率
SVM的本身算法真有好的改进完全可以在最高等级杂志上发论文，我上面说的两个方面虽然很简单但如果你有实验数据证明，在国内发表核心期刊完全没问题，本人也在论文纠结中。。