在matlab中測試libsvm時效果不佳

有人可以幫我解決這個問題嗎？我想測試這種分類是否已經很好。所以，我嘗試使用數據測試=數據培訓。如果分類好，它會給100％（acc）。這是我從這個網站上找到的代碼：在matlab中測試libsvm時效果不佳

data= [170   66   ; 
160   50   ; 
170   63   ; 
173   61   ; 
168   58   ; 
184   88   ; 
189   94   ; 
185   88   ] 

labels=[-1;-1;-1;-1;-1;1;1;1]; 

numInst = size(data,1); 
numLabels = max(labels); 

testVal = [1 2 3 4 5 6 7 8]; 
    trainLabel = labels(testVal,:); 
    trainData = data(testVal,:); 
    testData=data(testVal,:); 
    testLabel=labels(testVal,:); 
numTrain = 8; numTest =8 

%# train one-against-all models 
model = cell(numLabels,1); 
for k=1:numLabels 
    model{k} = svmtrain(double(trainLabel==k), trainData, '-c 1 -t 2 -g 0.2 -b 1'); 
end 

%# get probability estimates of test instances using each model 
prob = zeros(numTest,numLabels); 
for k=1:numLabels 
    [~,~,p] = svmpredict(double(testLabel==k), testData, model{k}, '-b 1'); 
    prob(:,k) = p(:,model{k}.Label==1); %# probability of class==k 
end 


%# predict the class with the highest probability 
[~,pred] = max(prob,[],2); 
acc = sum(pred == testLabel) ./ numel(testLabel) %# accuracy 
C = confusionmat(testLabel, pred)     %# confusion matrix

，這是結果：

optimization finished, #iter = 16 
nu = 0.645259 obj = -2.799682, 
rho = -0.437644 nSV = 8, nBSV = 1 Total nSV = 8 
Accuracy = 100% (8/8) (classification) 

acc = 

    0.3750 


C = 

    0  5 
    0  3

我不知道爲什麼有兩大準確性，及其不同。第一個是100％，第二個是0.375。我的代碼是否爲假？它應該是100％而不是37.5％。你能幫我糾正這個代碼嗎？

來源

2013-03-22 user2157806

是你使用的代碼嗎？我不認爲你的svmtrain調用是有效的。你應該有svmtrain(MAT, VECT, ...)其中MAT是一個數據矩陣，VECT是一個向量，每行的標籤爲MAT。其餘參數是字符串值對，這意味着您將擁有一個字符串標識符及其相應的值。

當我運行你的代碼（Linux，R2011a）時，我在svmtrain調用中出錯。運行svmtrain(trainData, double(trainLabel==k))給出了有效的輸出（對於該行）。當然，看起來你並沒有使用純matlab，因爲你的svmpredict調用不是原生matlab，而是一個來自LIBSVM的matlab綁定...

來源

2013-03-23 01:30:57 alrikai

對不起呀亞姆不提，我用libsvm的。在這裏我使用LIBSVM。 – user2157806 2013-03-23 01:51:41

如果你使用libsvm，那麼你應該改變它的名字MEX文件，因爲Matlab已經有一個名爲svmtrain的svm工具箱。但是，代碼正在運行，因此您似乎更改了名稱，而不是您提供的代碼。

第二個錯了，不知道到底爲什麼。但是，我可以告訴你，如果使用test_Data = training_Data，幾乎總能獲得100％的準確性。這個結果實際上並不意味着什麼，因爲算法可能會過度使用，而不會顯示在結果中。根據新數據測試你的算法，這會給你一個現實的準確性。

來源

2013-06-04 17:56:51

C = confusionmat（testLabel，PRED）
交換它們的位置

C = confusionmat（預解碼值，testLabel）

或使用本

[ConMat，爲了] = confusionmat（預解碼值， testLabel）

示出了混淆矩陣和類順序

來源

2013-10-30 01:02:15 user2934409

的問題是在

[~,~,p] = svmpredict(double(testLabel==k), testData, model{k}, '-b 1');

p不包含預測標籤，它具有標籤的概率估計是正確的。 LIBSVM的svmpredict已經正確計算出準確度，這就是爲什麼它在調試輸出中表示100％。解決方法是簡單的：

[p,~,~] = svmpredict(double(testLabel==k), testData, model{k}, '-b 1');

根據LIBSVM的Matlab的綁定自述：

The function 'svmpredict' has three outputs. The first one, 
predictd_label, is a vector of predicted labels. The second output, 
accuracy, is a vector including accuracy (for classification), mean 
squared error, and squared correlation coefficient (for regression). 
The third is a matrix containing decision values or probability 
estimates (if '-b 1' is specified). If k is the number of classes 
in training data, for decision values, each row includes results of 
predicting k(k-1)/2 binary-class SVMs. For classification, k = 1 is a 
special case. Decision value +1 is returned for each testing instance, 
instead of an empty vector. For probabilities, each row contains k values 
indicating the probability that the testing instance is in each class. 
Note that the order of classes here is the same as 'Label' field 
in the model structure.

來源

2014-06-14 23:40:07 facuq

我很遺憾地告訴大家，所有的答案是完全錯誤的！在代碼完成的主要錯誤是：

numLabels = max(labels);

，因爲它返回（1），雖然它應該返回2，如果標籤是正數，然後svmtrain去/ svmpredict將循環兩次。

無論如何，變線labels=[-1;-1;-1;-1;-1;1;1;1]; 到labels=[2;2;2;2;2;1;1;1]; ，它會成功運行;）

來源

2015-01-24 18:18:08

在matlab中測試libsvm時效果不佳

回答

相關問題