matlab中svm testacc参数,使用Matlab进行交叉验证的多类SVM的完整示例

我目前正在混淆使用Matlab实现带有交叉验证的SVM。 stackoverflow上有很多帖子提到了有关SVM及其交叉验证的信息;然而，即使使用最简单的'fisheriris'数据集也没有完整的例子。

我总结了这些帖子的问题如下：

为什么我们不能一起为具有以下功能的SVM构建易于理解的代码？

一个。只需使用'fisheriris'数据。

B中。可以用于二元和多类问题(fisheriris可以选择二进制)。

℃。实施交叉验证。

d。实施一对一和一对一。

电子。两个版本分别使用libSVM和Matlab内置SVM。由于svmtrain与两个包的名称相同，我建议在使用之前将其更改为libsvmtrain和MEX。然后我们也可以比较这两种方法。

F。目前，由于训练/测试数据分离，结果并不总是可再现的。我们可以解决这个问题吗？

F。 (可选)添加参数优化。

-G。 (可选)添加ROC分析。

我的开始是一些代码，如：

＃

% libSVM version_1

clc; clear all;

load fisheriris

[~,~,labels] = unique(species); % Labels: 1/2/3

data = zscore(meas); % Scale features

numInst = size(data,1);

numLabels = max(labels);

%# Split training/testing

idx = randperm(numInst);

numTrain = 100;

numTest = numInst - numTrain;

trainData = data(idx(1:numTrain),:);

testData = data(idx(numTrain+1:end),:);

trainLabel = labels(idx(1:numTrain));

testLabel = labels(idx(numTrain+1:end));

%# Train one-against-all models

model = cell(numLabels,1);

for k=1:numLabels

model{k} = libsvmtrain(double(trainLabel==k), trainData, '-c 1 -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

＃

% Matlab build-in SVM version_1

clc; clear all;

load fisheriris

[g, gn] = grp2idx(species); % Nominal class to numeric

% Split training and testing sets

[trainIdx, testIdx] = crossvalind('HoldOut', species, 1/3);

pairwise = nchoosek(1:length(gn),2); % 1-vs-1 pairwise models

svmModel = cell(size(pairwise,1),1); % Store binary-classifers

predTest = zeros(sum(testIdx),numel(svmModel)); % Store binary predictions

%# classify using one-against-one approach, SVM with 3rd degree poly kernel

for k=1:numel(svmModel)

%# get only training instances belonging to this pair

idx = trainIdx & any( bsxfun(@eq, g, pairwise(k,:)) , 2 );

%# train

svmModel{k} = svmtrain(meas(idx,:), g(idx), ...

'BoxConstraint',2e-1, 'Kernel_Function','polynomial', 'Polyorder',3);

%# test

predTest(:,k) = svmclassify(svmModel{k}, meas(testIdx,:));

end

pred = mode(predTest,2); % Voting: clasify as the class receiving most votes

%# performance

cmat = confusionmat(g(testIdx),pred);

acc = 100*sum(diag(cmat))./sum(cmat(:));

fprintf('SVM (1-against-1):\naccuracy = %.2f%%\n', acc);

fprintf('Confusion Matrix:\n'), disp(cmat)

在我们完成所有任务之前，请随时添加你的。有人也可以为我们创建一个谷歌代码项目来完成此任务。

非常感谢。