Mặc dù hầu hết các mơ hình đều cho kết quả phân loại với hiệu quả khá cao, mơ hình SVM cho thấy một sự quá nhạy với lớp Positive, tức lớp thư giãn. Nguyên nhân của tình trạng này cĩ thể là do hệ số scale của kernel Gaussian được sử dụng trong nghiên cứu này khá bé, dẫn đến đường biên phân hai lớp của mơ hình đã dùng chỉ bao quanh một nhĩm nhỏ các mẫu căng thẳng với độ tương đồng gần nhau, các mẫu khác thuộc lớp căng thẳng với độ tương đồng ít hơn khơng được phân vào lớp căng thẳng nên đã bị nhận nhầm thành thư giãn. Cần lưu ý là tình trạng này cũng tương đối khá phổ biến với các mơ hình phân loại SVM sử dụng kernel Gaussian. Hình 4.22 bên dưới là minh hoạ cho vấn đề này với hai đường biên phân loại ứng với hai giá trị � khác nhau của kernel Gaussian.
Hình 4.22 Minh hoạ cho tình trạng quá nhạy với một lớp của mơ hình Gaussian SVM.
Để chọn được giá trị � phù hợp, chúng tơi đã thử lần lượt từ 1 đến 10 và xem xét như khi thực hiện với đường cong phần trăm phương sai ở mục 4.3.2 thì �=5 là giá trị tối ưu cho nghiên cứu này. Cĩ thể thấy một điều trùng hợp là giá trị � trong mơ hình Gaussian cĩ tác dụng tương tự như số Neighbor trong mơ hình KNN và số neighbor tối ưu của mơ hình KNN mà nhĩm thu được cũng là 5. Sự trùng hợp khơng phải ngẫu nhiên mà cĩ thể lý giải theo thực tế là do trong nghiên cứu này, mơi trạng thái cảm xúc của một đổi tượng gồm cĩ 6 mẫu nên số mẫu cĩ sự tương đồng là 5. Điều này hồn tồn hợp lý và cĩ thể lý giải được cho sự trùng hợp về giá trị 5 tối ưu cho hai mơ hình SVM và KNN mà nhĩm sử dụng cho nghiên cứu này. Như vậy, nếu các nghiên cứu sau này phân dữ liệu thành nhiều đoạn (mẫu) hơn thì cĩ thể thay đổi hệ số của các mơ hình cho phù hợp hơn như phát hiện vừa nêu.