哪个分类器对SVM分类更准确？

我正在学习SVM分类并遇到问题。我不确定这个难题是否有专门的术语。

假定我们要根据SVM对患者（既有健康人，也有性别）和肝癌（有性别）的样本进行分类。如果我们将健康人样本标记为1类，将癌症人标记为2类，则可以训练二进制SVM并获得分类器1来预测任何新患者。现在，想象另一个场景。假设我们先将所有样本按性别划分，然后再进行SVM分类。对于每种性别，我们仍将健康患者与癌性患者分为2类，并训练二元SVM分别获得女性和男性样本的分类器2和分类器3。问题是是否有新的女性患者，应该使用哪个分类器1或2来获得更准确的预测？这是我争论的两难境地

（1）当样本数量很大时，预测应该更准确。基于此论点，分类器1似乎是一个不错的选择。

（2）但是，如果我们首先将样本分为女性和男性，分类器2似乎是更好的选择，因为新患者（未知检测样本）是女性。

这种困境是否有术语，或者有人知道任何进一步的信息，或者如何解决这样的问题？我什至不确定这是否是一个合法的问题，并且对预先提出的幼稚问题表示抱歉。谢谢

您应该看一下自动执行此功能的功能选择和算法。没关系，如果您不熟悉ML，并且不了解整个功能选择过程，只需获得正确的直觉，然后您就可以使用库来自动执行该过程。

拥有学习算法的关键思想是使它能够找到模式...您所能做的最大事情就是通过提供大量（非冗余）数据并具有良好的预处理步骤（通常涉及到一些东西）来帮助他。例如特征选择和归一化。

友好地讲，在实施学习算法时，请勿尝试仅通过“查看”来修改数据集，除非您有具体的指标证明需要对数据集进行修改（很多情况下），该算法对那些似乎与分类过程几乎没有“关联”的特征施加了很大的偏见。在尝试对数据进行任何修改之前，请始终尝试执行功能选择步骤。

机器学习过程中此类步骤的一个一般标题是数据预处理，维基百科说数据预处理包括“清理，规范化，变换，特征提取和选择等”。

机器学习的另一个方面是“创建模型”。这涉及以下决策：例如，将检测到多少个类，ML结构的“大小”或“维度”是什么（例如“ SVM将包含多少个内核”等），大致类似于NN中神经元数量的选择。模型）。不幸的是，有些裁判倾向于跳过或“遮盖”此步骤。但请注意其与统计数据的共同点，并且一些统计书籍将对此进行很好的描述。

在ML类型方法中，通常需要强大的迭代/反馈/进化过程来确定有效的预处理和建模。实验者尝试了各种预处理和建模思想，并朝着更成功的方向发展。一般的经验法则是：“预测越好，正确[并且大概也现实地 ]进行预处理和建模的预测就越多”，但是也要考虑到过拟合已被仔细排除。