在交叉验证中，训练样本不做测试（训练样本的测试结果不能作为模型好坏的评判标准）
交叉验证可以充分利用训练样本
留一法：把n个样本分成n份，每次训练n-1个，留一个样本做测试
模型没训练好的情况：①：参数没选好②数据集本身没有规律，③SVM算法没有找到这些数据的规律如果一个系统把更多的正样本识别为正样本，那么也一定会把更多的负样本识别为负样本，即TP增加，则FP也增加
在这张ROC图中,对于横坐标每一个识别错误（FP），蓝色的线纵坐标（TP）都更高，所以蓝色的线的模型性能更好，一般比较系统，比较FP为0时的TP值。
模型的好坏不能只用识别率来判断，还需要用ROC曲线和EER曲线，以及可以用面积法来判断
SVM处理多类问题
（2）一类VS其他类
针对（2）一类VS其他类解释一下
假设有C1,C2,C3这3个类，要实现多分类的话，我们先把C1C2归为一类，C3作为另一类，训练的到模型SVM1,同样的方法得到模型SVM2,SVM3,现在有一个样本x，假设在SVM1上判断为1，在SVM2上判断为1，在SVM3上判断为-1，那么可以得出x属于C1类
那如果在SVM1判断为1，在SVM2判断为-1，在SVM3判断为-1，则x要么属于C1要么属于C2，怎么进一步判断呢
算这个值，哪一个负得多就取哪一个
（3）一类VS另一类
那么输入的x属于C1,如果有n类的话，就需要(n*(n-1))/2个SVM模型