Question

在每本书和例子中，它们总是只显示二进制分类（两个类），新的向量可以属于任何一个类。

这里的问题是我有4个班级（c1，c2，c3，c4）。我已经训练了4个班级的数据。

对于新向量，输出应该类似于

C1 80％（获胜者）

c2 10％

c3 6％

c4 4％

怎么做？我打算使用libsvm（因为它最受欢迎）。我不太了解它。如果你们中的任何人以前使用它，请告诉我我应该使用的具体命令。

Answer 1

LibSVM使用 one-against-one 方法来解决多类学习问题。来自FAQ：

问：libsvm用于多类SVM的方法是什么？你为什么不使用“1-against-the rest”方法？

这是一对一的。我们在做了以下比较后选择了它：C.-W。许和C.-J.林。 A comparison of methods for multi-class support vector machines，IEEE Transactions on Neural Networks，13（2002），415-425。

“1-against-the rest”是一种很好的方法，其性能可与“1-against-1”相媲美。我们只是因为培训时间较短而做后者。

Answer 2

常用的方法是One vs. Rest和One vs. One。在第一种方法中，您将获得n个分类器，结果类将获得最高分。在第二种方法中，得到的类是通过所有分类器的多数投票获得的。

AFAIR，libsvm支持多类分类策略。

Answer 3

通过递归地选择类集的随机分区，您总是可以将多类分类问题简化为二元问题。由于分区问题较小，因此子学习问题需要较少的示例，因此这不一定比一次学习所有项目更有效或更有效。（它可能最多需要更长的定时时间，例如两倍长）。它也可能导致更准确的学习。

我不一定推荐这个，但它是你问题的一个答案，是一种可以应用于任何二进制学习算法的通用技术。

Answer 4

使用SVM Multiclass库。在the SVM page by Thorsten Joachims

找到它

Answer 5

它没有用于多类预测的特定开关（命令）。如果您的训练数据集包含两个以上的类，它会自动处理多类预测。

Answer 6

与二元预测相比没什么特别之处。请参阅以下基于SVM的3级预测示例。

install.packages("e1071")
library("e1071")
data(iris)
attach(iris)
## classification mode
# default with factor response:
model <- svm(Species ~ ., data = iris)
# alternatively the traditional interface:
x <- subset(iris, select = -Species)
y <- Species
model <- svm(x, y) 
print(model)
summary(model)
# test with train data
pred <- predict(model, x)
# (same as:)
pred <- fitted(model)
# Check accuracy:
table(pred, y)
# compute decision values and probabilities:
pred <- predict(model, x, decision.values = TRUE)
attr(pred, "decision.values")[1:4,]
# visualize (classes by color, SV by crosses):
plot(cmdscale(dist(iris[,-5])),
     col = as.integer(iris[,5]),
     pch = c("o","+")[1:150 %in% model$index + 1])

Answer 7

/etc/puppet/modules/module_name/template

Answer 8

使用SVM进行多类分类；不是（一对一）和不是（一对REST）。

相反，要学习两类分类器，其中特征向量是（x，y），其中x是数据，y是与数据关联的正确标签。

训练差距是正确班级的值与最近的其他班级的值之间的差。

在推断时，选择具有最大值的“ y” （x，y）的值。

y = arg_max（y'）W.（x，y'）[W是权重向量，（x，y）是特征向量]

请访问链接： https://nlp.stanford.edu/IR-book/html/htmledition/multiclass-svms-1.html#:~:text=It%20is%20also%20a%20simple,the%20label%20of%20structural%20SVMs%20。

如何使用支持向量机（SVM）进行多类分类

8 个答案: