R语言线性SVM模型仅输出True positive和False positive的原因咨询

混淆矩阵术语对应翻译 #

• True Positive (TP)：真阳性
• False Positive (FP)：假阳性
• False Negative (FN)：假阴性
• True Negative (TN)：真阴性

核心原因梳理 #

• 代码存在多处语法错误，导致模型训练/预测结果异常
  1. 变量拼写错误：训练的模型变量命名为svm_Linar，后续预测调用的是未定义的svm_Linear，预测结果并非当前训练模型输出
  2. 训练函数参数缺失：train方法中method"svmLinear"缺少等号，应为method = "svmLinear"，参数传递错误导致模型未按预期训练
  3. 归一化函数语法错误：normal_data函数的return括号仅包裹了分子部分，实际返回值为x-min(x)而非归一化结果，数据预处理完全不符合预期
  4. 训练集索引未定义：代码中直接使用intrain_SVM做数据集拆分，但没有提前通过createDataPartition等方法生成采样索引，拆分逻辑完全随机，可能出现测试集仅包含单一类别的情况
• 测试集类别单一
  数据集拆分错误导致测试集中admit列仅存在「录取（正例）」一种标签，没有未录取的负样本，自然不存在真阴性、假阴性两类统计结果
• 目标变量被错误预处理
  归一化操作时将admit目标列和特征列一起做了数值转换，若原始admit的标签值不是0/1二值，转换后标签映射错误，模型将所有样本预测为同一类别
• 类别极度不平衡
  若数据集中录取样本占比极高，模型退化为无差别预测所有样本为录取，若测试集也以录取样本为主，也会出现假阴性、真阴性为0的情况

修复建议 #

1. 修正上述所有语法错误，补充训练集索引生成代码：intrain_SVM <- createDataPartition(y = SVMdata$admit, p = 0.7, list = FALSE)
2. 归一化仅作用于特征列，不要对目标admit列做归一化处理
3. 拆分数据集后先检查训练集、测试集的admit类别分布，确保两类样本都存在
4. 将测试集的admit列也转换为因子类型，和训练集保持一致

内容的提问来源于stack exchange，提问作者MOHAMMAD SAMEER