支持向量机在matlab中工作，在c ++中不起作用

Question

我正在编写一个使用SVM对某些图像进行分类的应用程序（特别是these）。我的Matlab实现非常有效。使用SIFT词袋方法，我可以通过线性内核获得接近100％的准确度。

出于速度/可移植性的原因，我需要在C ++中实现这一点，因此我尝试使用libsvm和dlib。我尝试了多种SVM类型（c_svm，nu_svm，one_class）和多个内核（线性，多项式，rbf）。我能够达到的最好的准确度是大约50％ - 即使是我训练过的相同样本。我已经确认我的特征生成器正在工作，因为当我将我的c ++生成的特性导出到Matlab并对其进行训练时，我能够再次获得接近完美的结果。

Matlab的SVM实现有什么神奇之处吗？是否有任何常见的陷阱或领域可以解释我所看到的行为？我知道这有点模糊，但问题的一部分是我不知道去哪里。如果我能提供其他有用的信息，请在评论中告诉我。

Answer 1

Matlab版本的库没有什么神奇之处，其他它在Matlab中运行，这让你更难以自己拍脚。

检查清单：

1. 您是否正常化数据，使所有值介于0和1之间 （或-1和1之间），线性或使用均值和 标准偏差？
2. 您是否参数搜索C的良好值（或C中的C和gamma） RBF内核的情况）？进行交叉验证还是保留设置？
3. 你确定你正在处理NaN，以及所有其他浮动点 乱七八糟吗？ Matlab非常善于将此隐藏起来，C ++并非如此 得多。
4. 可能是您正在错误地加载数据，阅读 “％s”变成了一个双重或者某种东西，它会给你的输入增加噪音 数据？
5. 可能是libsvm / dlib期望行中的数据主要顺序和 你是以专栏（或其他方式）发送的吗？ Matlab再一次认为这几乎是不可能的，C ++并没有那么多。
6. 32-64位nastiness一个版本的库，可执行编译 与另一个？

其他一些事情：

1. 可能是在Matlab中你以某种方式泄漏了类（y） 预处理？没有人故意这样做，但我看到它发生了。 如果你几乎任何f（y）一个特征，你将获得几乎100％ 每次。
2. 有时候验证一切都是数字的有用 通过在C ++和C ++中训练之前打印到文件相同 Matlab的。

Answer 2

我对使用rbf内核的libsvm非常满意。 carlosdc以正确的顺序指出了最常见的错误:-)。对于libsvm - 你使用libsvm附带的python工具吗？如果不是我建议这样做。将您的特征向量写入文件（来自matlab和/或c ++），并使用easy.py对rbf内核进行元素训练。您可以获得生成模型的参数和预测。如果这个预测没问题，请继续使用c ++。从训练中你还可以获得一个缩放的特征文件（每个特征的最小/最大转换为-1.0 / 1.0）。将这些与您的c ++实现进行比较。

一些libsvm问题：一个讨厌的习惯是（如果我没记错的话）在缩放文件中省略了缩放为0（零）的值。 grid.py中的参数是“nr_local_worker”，它定义了多个线程。你可能希望增加它。