Question

我正在使用带有预先计算内核的libsvm。我为示例数据集heart_scale生成了一个预先计算的内核文件，并执行了函数svmtrain()。它工作正常，支持向量被正确识别，即类似于标准内核。

但是，当我尝试运行svmpredict()时，它为预先计算的模型文件提供了不同的结果。在深入研究代码之后，我注意到svm_predict_values()函数需要支持向量的实际特征，这在预计算模式下是不可用的。在预先计算模式下，我们只有每个支持向量的系数和索引，这被svmpredict()误认为是其特征。

这是一个问题还是我错过了什么。

（请告诉我如何在预先计算模式下运行svmpredict()。）

Answer 1

测试集向量x和每个训练集向量之间的内核评估值应该用作测试集特征向量。

以下是libsvm自述文件中的相关行：

xi的新训练实例：
    ＆LT;标签＆gt; 0：i 1：K（xi，x1）... L：K（xi，xL）

任何x的新测试实例：
    ＆LT;标签＆gt; 0：？ 1：K（x，x1）...... L：K（x，xL）

libsvm自述文件说如果你有L个训练集向量，其中xi是一个训练集向量，其中i来自[1..L]，而一个测试集向量x，那么x的特征向量应该是

＆lt; x的标签＆gt; 0：＆lt;任何数字＆gt; 1：K（x ^ {test}，x1 ^ {train}），2：K（x ^ {test}，x2 ^ {train}）... L：K（x ^ {test}，xL ^ {train }）

其中K（u，v）用于表示内核函数的输出，其中向量u和v作为参数。

我在下面提供了一些示例python代码。

原始特征向量表示和预先计算（线性）内核的结果并不完全相同，但这可能是由于优化算法的差异。

from svmutil import *
import numpy as np

#original example
y, x = svm_read_problem('.../heart_scale')
m = svm_train(y[:200], x[:200], '-c 4')
p_label, p_acc, p_val = svm_predict(y[200:], x[200:], m)

##############
#train the SVM using a precomputed linear kernel

#create dense data
max_key=np.max([np.max(v.keys()) for v in x])
arr=np.zeros( (len(x),max_key) )

for row,vec in enumerate(x):
    for k,v in vec.iteritems():
        arr[row][k-1]=v
x=arr

#create a linear kernel matrix with the training data
K_train=np.zeros( (200,201) )
K_train[:,1:]=np.dot(x[:200],x[:200].T)
K_train[:,:1]=np.arange(200)[:,np.newaxis]+1

m = svm_train(y[:200], [list(row) for row in K_train], '-c 4 -t 4')

#create a linear kernel matrix for the test data
K_test=np.zeros( (len(x)-200,201) )
K_test[:,1:]=np.dot(x[200:],x[:200].T)
K_test[:,:1]=np.arange(len(x)-200)[:,np.newaxis]+1

p_label, p_acc, p_val = svm_predict(y[200:],[list(row) for row in K_test], m)

Libsvm预先计算的内核

1 个答案: