Question

我想使用库LIBSVM对5个测试图像的列表进行分类，并使用策略＆＃39;一个针对所有＆＃39;为了获得每个班级的概率。使用过的代码如下：

load('D:\xapp.mat');
load('D:\xtest.mat');
load('D:\yapp.mat');%% matrix contains true class of images yapp=[641;645;1001;1010;1100]
load('D:\ytest.mat');%% matrix contains unlabeled class of test set  ytest=[1;2;3;4;5]
numLabels=max(yapp);
numTest=size(ytest,1);
%# train one-against-all models
model = cell(numLabels,1);
for k=1:numLabels
   model{k} = svmtrain(double(yapp==k),xapp, ['-c 1000 -g 10 -b 1 ']);
end
%# get probability estimates of test instances using each model
prob = zeros(numTest,numLabels);
for k=1:numLabels
   [~,~,p] = svmpredict(double(ytest==k), xtest, 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 == ytest) ./ numel(ytest)    %# accuracy

我收到此错误：

模型不支持概率估算   订阅分配维度不匹配      comp中的错误（第98行）
     prob（：，k）= p（：，model {k} .Label == 1）; ％＃class of probability == k

请帮助我解决此错误，并提前致谢

Answer 1

您要做的是使用评估SVM分类器性能的代码片段，而您的目标是正确估计测试集的标签。

我假设您的五个标签为[641;645;1001;1010;1100]（如yapp中所示）。您要做的第一件事是删除ytest，因为您不知道测试集的任何标签。用ytest填充一些虚拟值是没有意义的：SVM将返回我们预测的标签。

第一个错误，正如评论中已经指出的那样是

numLabels=max(yapp);

您必须使用max()更改length()才能收集课程数量。

训练阶段几乎是正确的鉴于k从1变为5，而yapp具有上述范围，您应该考虑将double(yapp==k)更改为double(yapp==yapp(k))：以这种方式我们将k标记为正yapp中的第 - 个值。鉴于k从1到5的事实，yapp(k)将从641变为1100.

现在是预测阶段 svmpredict()的第一个输入应该是测试标签，但现在我们不知道它们，所以我们可以用零向量填充它（测试集中的模式会有很多零）。这是因为如果已知测试标签，svmpredict()也会自动返回准确性，但事实并非如此。所以你必须将第二个for循环更改为

for k=1:numLabels
   [~,~,p] = svmpredict(zeros(size(xtest,1),1), xtest, model{k}, '-b 1');
   prob(:,k) = p(:,model{k}.Label==1);    %# probability of class==k
end

最后用

预测标签

[~,pred] = max(prob,[],2);

和pred包含预测的标签。

注1 ：但是，在这种方法中，您无法测量精度和/或其他参数，因为我们称之为测试集的实际上不是测试集。测试集是标记集，我们假装我们不知道它的标签，以便让SVM预测它们，然后将预测标签与实际标签相匹配，以便测量其准确性。

注2 ：pred中的预测标签很可能由于第二个for循环而具有范围1到5的值。但是，由于您的标签具有不同的值，因此可以考虑到1为641,2为645,3为1001,4为1010,5为1100。

libsvm中的2个错误matlab＆＃34;模型不支持概率估计和订阅分配维度不匹配＆＃34;

1 个答案: