在matlab中测试libsvm时效果不佳

有人可以帮我解决这个问题吗？我想测试这种分类是否已经很好。所以，我尝试使用数据测试=数据培训。如果分类好，它会给100％（acc）。这是我从这个网站上找到的代码：在matlab中测试libsvm时效果不佳

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

，这是结果：

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

我不知道为什么有两大准确性，及其不同。第一个是100％，第二个是0.375。我的代码是否为假？它应该是100％而不是37.5％。你能帮我纠正这个代码吗？

来源

2013-03-22 user2157806

是你使用的代码吗？我不认为你的svmtrain调用是有效的。你应该有svmtrain(MAT, VECT, ...)其中MAT是一个数据矩阵，VECT是一个向量，每行的标签为MAT。其余参数是字符串值对，这意味着您将拥有一个字符串标识符及其相应的值。

当我运行你的代码（Linux，R2011a）时，我在svmtrain调用中出错。运行svmtrain(trainData, double(trainLabel==k))给出了有效的输出（对于该行）。当然，看起来你并没有使用纯matlab，因为你的svmpredict调用不是原生matlab，而是一个来自LIBSVM的matlab绑定...

来源

2013-03-23 01:30:57 alrikai

对不起呀亚姆不提，我用libsvm的。在这里我使用LIBSVM。 – user2157806 2013-03-23 01:51:41

如果你使用libsvm，那么你应该改变它的名字MEX文件，因为Matlab已经有一个名为svmtrain的svm工具箱。但是，代码正在运行，因此您似乎更改了名称，而不是您提供的代码。

第二个错了，不知道到底为什么。但是，我可以告诉你，如果使用test_Data = training_Data，几乎总能获得100％的准确性。这个结果实际上并不意味着什么，因为算法可能会过度使用，而不会显示在结果中。根据新数据测试你的算法，这会给你一个现实的准确性。

来源

2013-06-04 17:56:51

C = confusionmat（testLabel，PRED）
交换它们的位置

C = confusionmat（预解码值，testLabel）

或使用本

[ConMat，为了] = confusionmat（预解码值， testLabel）

示出了混淆矩阵和类顺序

来源

2013-10-30 01:02:15 user2934409

的问题是在

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

p不包含预测标签，它具有标签的概率估计是正确的。 LIBSVM的svmpredict已经正确计算出准确度，这就是为什么它在调试输出中表示100％。解决方法是简单的：

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

根据LIBSVM的Matlab的绑定自述：

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.

来源

2014-06-14 23:40:07 facuq

我很遗憾地告诉大家，所有的答案是完全错误的！在代码完成的主要错误是：

numLabels = max(labels);

，因为它返回（1），虽然它应该返回2，如果标签是正数，然后svmtrain去/ svmpredict将循环两次。

无论如何，变线labels=[-1;-1;-1;-1;-1;1;1;1]; 到labels=[2;2;2;2;2;1;1;1]; ，它会成功运行;）

来源

2015-01-24 18:18:08

在matlab中测试libsvm时效果不佳

回答

相关问题