我正在使用随机森林和SVM分类器进行分类，我有18322个样本在9个类（3667,1060,1267,2103,2174,1495,884,1462,4210）中不平衡。我使用 10 倍 CV，我的训练数据有 100 个特征维度。在我的样本中，这 100 个维度的训练数据差别不大，当我使用 SVM 时，准确度约为 40%，但是，当我使用 RF 时，准确度可以是 92%。然后，我使数据在这 100 个特征维度上的差异更小，但是，RF 也可以为我提供 92% 的精度，但 SVM 的精度下降到 25%。
我的分类器配置是：
SVM：线性SVC（惩罚="l1"，双重=假）
RF： 随机森林分类器（n_estimators = 50）
所有其他参数均为默认值。我认为我的 RF 分类器一定有问题，但我不知道如何检查它。
熟悉这两个分类器的人可以给我一些提示吗？
线性 SVC 试图通过在欧几里得空间中找到合适的超平面来分离您的类。您的样品可能不是线性可分离的，从而导致性能不佳。另一方面，随机森林使用几个（在本例中为 50 个）更简单的分类器（决策树），每个分类器都有一个分段线性决策边界。当你把它们加在一起时，你最终会得到一个更复杂的决策函数。
根据我的经验，RF在默认参数下往往表现得相当不错，即使进行广泛的参数搜索也只能稍微提高精度。SVM 的行为几乎完全相反。
您是否尝试过不同的配置？如何为 SVM 进行网格搜索以获得更好的参数？
由于您已经在使用sklearn因此您可以使用sklearn.grid_search.GridSearchCV，更多详细信息在这里