如何在Java中使用Encog SVM预测多个值

很久以前，我就在Encog库中研究反向传播神经网络的预测系统，现在我正在研究支持向量机领域，我发现它比NN效率高得多，我的目标是测试预测在SVM中的行为方式并将其与BPN进行比较。

我有两个二维数组，一个数组是INPUT，一个数组是IDEAL。数组的每一行都由3个元素组成（实数在1/9和9之间）。INPUT中有800行，对应的IDEAL。另外还有2个TEST数组，每个数组有200行。

使用BPN没问题，我用输入层中的3个神经元，中间层中的50个神经元和输出层中的3个神经元训练网络（在5分钟内收敛，误差小于0.01），并且测试工作正常。

另一方面，在SVM中，我有一个问题。我训练了网络，在3秒内收敛，并且看起来工作正常，但是当我测试数据时，它预测每行输出中只有1个元素，而BPN中没有3个asi。
我不知道我在做什么错，我复制了一个简化的代码和运行的输出。

JAVA代码

/* SVM Structure */
SVM svm = new SVM(3, true); 

/* Training Set */
BasicMLDataSet trainingSet = new BasicMLDataSet(INPUT_ARRAY, IDEAL_ARRAY);

/* Train SVM */
SVMSearchTrain train = new SVMSearchTrain(svm, trainingSet);

int epoch = 1;
do {
   train.iteration();
   System.out.println("Epoch #" + epoch + " Error:" + train.getError());
   epoch++;
} while(train.getError() > 0.01);

// Test the SVM
BasicMLDataSet testSet = new BasicMLDataSet(INPUT_TEST_ARRAY, IDEAL_TEST_ARRAY);
//Normalize/Denormalize class -> 0.11111111111111111 - 9 into 0 - 1
NormalizedField norm = new NormalizedField(NormalizationAction.Normalize, null,9,0.11111111111111111,1,0);

for(MLDataPair dataPair: testSet ) {
   final MLData output = svm.compute(dataPair.getInput());
   System.out.print("Input: [ ");           
   int elementos = (orden*(orden-1))/2;
   for(int i=0; i<elementos; i++){
       System.out.print(norm.deNormalize(dataPair.getInput().getData(i))+" ");
   }
   System.out.print("] - ");
   System.out.print("Ideal: [ ");           
   for(int i=0; i<elementos; i++){
       System.out.print(norm.deNormalize(dataPair.getIdeal().getData(i))+" ");
   }
   System.out.print("] - ");
   System.out.print("Ideal: [ "); 
   for(int i=0; i<output.size();i++){
      System.out.print(norm.deNormalize(output.getData(0))+" ");
   }
   System.out.print("]\n");         
}

Encog.getInstance().shutdown();

输出

Epoch #1 Error:0.0040788759553631255
Input: [ 0.1111111111111111 0.14285714285714285 4.0 ] - Ideal: [ 0.1111111111111111 0.16666666666666666 4.0 ] - Actual: [ -0.41164113104867955 ]
Input: [ 0.125 0.125 4.0 ] - Ideal: [ 0.125 0.5 3.0 ] - Actual: [ -0.4085939985232357 ]
Input: [ 1.0 1.0 0.25 ] - Ideal: [ 1.0 0.5 0.25 ] - Actual: [ 1.6604401446928032 ]
.
.
.
Input: [ 8.0 4.0 0.16666666666666666 ] - Ideal: [ 8.0 4.0 0.2 ] - Actual: [ 7.545661375461256 ]

任何帮助将不胜感激，感谢您的阅读！