我正在制定手势识别程序。我的数据集由不同姿势的手组成。我试图在跳入神经网络之前使用SVM来获得基线。我的数据集有6堂课正在尝试进行分类，每个类别约有1000个示例。
我使用了80-20分。80％用于培训，测试20％。在测试集上运行SVM模型后，我绘制了一个混乱的矩阵，这表明我的精度约为96％，召回〜96％，〜96％的F1得分。
这是我的训练集图像的一些示例：
https://imgur.com/gwRSx3C
https://imgur.com/UxUPj5t
https://imgur.com/wXcaUq6
网络摄像头图像
https://imgur.com/j97cTnp
https://imgur.com/6QDHMAD
https://imgur.com/C9DELsr
这是我网络摄像头的一些图像。
我很自然。唯一的缺点是，当我将模型连接到网络摄像头进行实时推断时，该模型是边界屁股。任何人都有任何想法，为什么如果精确度，F1如此之高？
有2个可能的答案
-
您的模型过于适应。
-
绘制培训和测试数据集的分布与网络摄像头的数据不同。
我认为您的问题是您的网络摄像头数据与培训数据有很大不同。
要调试您的模型，您应该执行以下
- 将培训数据与您的网络摄像头图像进行比较。
- 使用验证集，仅在最后可能的时刻使用测试集。
- 重新考虑您的功能。
- 使用您的一些网络摄像头数据以及混合到数据集中的火车。