Странный тест OpenCV SVM с точностью 10% на MNIST

Я попытался обучить OpenCV SVM на наборе данных MNIST, и я получил странные результаты, то есть тест с точностью до 10%. Есть идеи, что пошло не так? Заранее спасибо.

Вот параметры, которые я использовал:

Ptr<SVM> model = SVM::create();
model->setType(SVM::C_SVC);
model->setKernel(SVM::RBF);
model->setC(10);
model->setGamma(0.01);

Повышение квалификации:

model->train(tdata);

Тестирование: (из образца letter_recog.cpp)

 static void test_and_save_classifier(const Ptr<StatModel>& model,
const Mat& data, const Mat& responses,
int ntrain_samples, int rdelta,
const string& filename_to_save)
{
int i, nsamples_all = data.rows;
double train_hr = 0, test_hr = 0;

// compute prediction error on
// train data[0 , ..., ntrain_samples-1]; and
// test data[0 , ..., nsamples_all-1]before = static_cast<double>(getTickCount());

for( i = 0; i < nsamples_all; i++ )
{
Mat sample = data.row(i);// The method is used to predict the response for a new sample.
// In case of a classification, the method returns the class label.

float r = model->predict( sample );  /// sample is the row feature vector// Tally correct classifications
// +1 if prediction is correct
// +0 if prediction is wrong
r = std::abs(r + rdelta - responses.at<int>(i)) <= FLT_EPSILON ? 1.f : 0.f;

if( i < ntrain_samples )
train_hr += r;
else
test_hr += r;
}

after = static_cast<double>(getTickCount());
duration_in_ms = 1000.0*(after - before)/getTickFrequency();
cout << "Prediction for all data completed after "<< duration_in_ms <<" ms...\n";
cout << "Average prediction time per sample is "<< duration_in_ms/nsamples_all <<" ms.\n";

test_hr /= nsamples_all - ntrain_samples;
train_hr = ntrain_samples > 0 ? train_hr/ntrain_samples : 1.;
/// Note: 0 training samples here will give 100 % training errorprintf( "Recognition rate: train = %.2f%%, test = %.2f%%\n",
train_hr*100., test_hr*100. );

if( !filename_to_save.empty() )
{
model->save( filename_to_save );
}
}

Тестовый забег:

trainVecLabels.size() = 60000
trainVecLabels[0] = 5
testData.size() = 10000
testVecLabels.size() = 10000
testVecLabels[0] = 7
data.size() = [784 x 70000]
responses.size() = [1 x 70000]
Training the classifier ...
Training completed after 11.1005 mins...
Testing and saving ...
Prediction for all data completed after 443715 ms...
Average prediction time per sample is 6.33879 ms.
Recognition rate: train = 24.92%, test = 10.09%

Наполнители, чтобы обойти «более подробную ошибку» в StackOverflow

Машины опорных векторов были впервые представлены Вапником и Червоненкисом. Основная идея состоит в том, чтобы найти оптимальную гиперплоскость для разделения набора данных, в то время как существуют теоретически бесконечные гиперплоскости для разделения набора данных. Гиперплоскость выбирается так, чтобы расстояние до ближайшего пункта данных обоих
занятия максимально. Точки, охватывающие гиперплоскость, являются
Поддержка векторов, отсюда и название «Машины поддержки векторов».