Question

我正在使用matlab的svm分类功能。我的火车和测试数据有以下几个方面：

>> size(TrainV)

ans =  

   99192         705

>> size(TestV)

ans =

246   705

我有一个功能，训练一对一分类10个类（45个二元分类器）。可以通过调用以下函数来训练模型：

Models = SVM_multitrain (TrainV(:, 2:end), TrainV(:, 1), 10);

我正在发送特征向量（TrainV（：，2：end））和标签（TrainV（：，1）），我要求模型训练45个分类器的夫妻组合（10）。该功能运行正常，培训结束后我可以获得以下信息。例如，我将展示第3和第45个二元分类器的模型。

> Models(3)

ans = 

      SupportVectors: [9x704 double]
               Alpha: [9x1 double]
                Bias: -2.3927 - 0.0001i
      KernelFunction: @linear_kernel
  KernelFunctionArgs: {}
          GroupNames: [20117x1 double]
SupportVectorIndices: [9x1 double]
           ScaleData: [1x1 struct]
       FigureHandles: []

>> Models(45)

ans = 

      SupportVectors: [10x704 double]
               Alpha: [10x1 double]
                Bias: -2.7245 + 0.0000i
      KernelFunction: @linear_kernel
  KernelFunctionArgs: {}
          GroupNames: [22087x1 double]
SupportVectorIndices: [10x1 double]
           ScaleData: [1x1 struct]
       FigureHandles: []

问题在于我调用函数来对特征向量进行分类，例如，对于第一个二元分类器。

>>         TestAttribBin = svmclassify(Models(1), TestV(:,2:end))
Subscript indices must either be real positive integers or logicals.

Error in svmclassify (line 140)
outclass = glevels(outclass(~unClassified),:);

可能是什么问题？当我将相同的分类程序应用于以另一种方式提取的特征向量时，这个问题就不会发生。

Answer 1

此错误的可能原因是将复杂数据传递给svmclassify。 svmclassify仅接受真实的特征向量。实际上，将复杂数据传递给svmclassify会导致outclass变得复杂，并且复杂的值不能用于索引，如错误消息所述。

一个选项可能是将矢量的虚部编码到特征中，例如将特征向量的长度加倍。

事实上，绝大多数机器学习模型都是基于特征向量的假设，例如。人工神经网络，回归树，svm等。虽然在某些情况下可能会有一些扩展。

下标索引必须是svmclassify matlab中的实数正整数或逻辑

1 个答案: