采用LIBSVM为什么准确率很低，根本做不到别人的90%，有什么好的办法吗？我采用KPCA+SVM
不知道你这个问题是否已经解决, 如果还没有解决的话:针对LIBSVM准确率低的问题，可以尝试以下解决方案：
工具版本更新：检查所使用的LIBSVM版本是否最新，如果不是，可以尝试下载最新版本进行使用。同时，检查使用的KPCA+SVM方法是否存在问题，可以尝试使用其他的SVM训练方法进行模型训练。
特征工程改进：针对数据集进行更深层次的特征工程处理，例如增加特征数量、进行特征选择等，提高数据集的可分性。
超参数调整：使用不同的参数训练模型，包括不同的核函数类型、参数设置等，能够对模型准确率产生影响，可以使用交叉验证等方法进行超参数的调整。
数据集问题：检查所使用数据集的质量，是否存在噪声、缺失值、样本不均衡等问题，可以尝试对数据集进行筛选、清洗、平衡等处理。
针对本文提到的KPCA+SVM实现方法，可以尝试以下具体方案：
调整KPCA的参数：KPCA在使用中需要进行核函数的选择和参数的调整，可以使用不同的核函数及不同的参数组合进行实验，寻找最优的参数组合。
增加样本数量：KPCA在样本数量较少的情况下，可能会产生过拟合现象，可以尝试增加样本数量，或利用数据增强等方式来增加数据集的大小。
改变SVM的参数：SVM在实现时有多个参数需要调整，可以使用交叉验证等方法进行调整。同时，也可以尝试使用其他的SVM实现算法来进行模型训练。
特征处理改进：KPCA在实现时需要利用样本的特征进行计算，因此，对于不同的数据集，需要使用不同的特征处理方式，例如PCA、LDA等，来增加数据集的可分性。
综上所述，针对LIBSVM准确率低的问题，需要分析并排除问题产生的多种可能原因，并进行具体的可操作的解决方案，来提高模型的准确率。
使用LIBSVM时准确率很低可能是因为以下原因：
特征选择不合适：特征对于分类器的性能起着至关重要的作用，如果选择的特征不足以描述数据集，那么分类器的性能就会受到影响。因此，需要通过分析数据集的特点，选择合适的特征。
样本标签分布不均衡：当数据集中某一类别的样本数量很少时，分类器会很难将该类别的样本正确分类。解决方法可以通过对样本进行重采样，或者使用不同的分类器。
参数调节不合适：LIBSVM中的参数很多，例如核函数类型、惩罚因子C、核函数参数等。如果这些参数设置不合适，也会导致分类器性能下降。需要通过交叉验证等方法来寻找最优的参数。
数据集质量不佳：如果数据集存在错误或噪声，会导致分类器的性能下降。需要对数据集进行清洗和预处理，剔除错误或不合理的数据。
可以尝试以下方法提高LIBSVM的分类准确率：
对数据集进行预处理和特征选择，确保选择的特征能够充分描述数据集，并且能够提取出关键信息。
通过重采样等方法解决数据集不平衡问题。
通过交叉验证等方法寻找最优的参数。
对数据集进行清洗和预处理，剔除错误或不合理的数据。
尝试使用其他的分类器，如SVM、决策树等，找到适合数据集的分类器。