Question

我刚刚开始在python中使用libsvm进行一些操作，并获得了一些简单的分类。

问题是我正在构建一个人脸检测系统，我想要一个非常低的错误拒绝率。另一方面，svm似乎优化了相同的错误拒绝和错误接受。我有什么选择？

如前所述，我对libsvm很新，所以要善良。 ;）

Answer 1

SVM通常不被认为是概率模型，而是最大判别模型。因此，我很难在我所知道的SVM的背景下制定你的问题。

此外，libSVM附带的Python绑定不是非常高效，也不会公开libSVM的所有选项。

也就是说，如果您愿意查看其他绑定，scikit-learn的svm绑定更丰富，并且会暴露一些可能派上用场的参数，例如weighted classes或{{3 }}。您可以更加重视不希望误分类的类。

此外，scikit的绑定暴露了weighted samples，但在SVM的情况下，我认为它依赖于libSVM的hack（因为SVM不具有概率），重新采样分类以具有置信区间关于预测。

Answer 2

我一直在使用libSVM的python包装器，发现我可以使用边距计算置信度测量...请参阅下面的“predict_values_raw”函数。它返回一个实数值，大的正值表示它是一个类成员的高置信度，大的负值表明它不是一个类成员的高置信度;值接近于零表示它对分类没有信心。因此，不要调用'predict'，而是调用'predict_values_raw'并应用低阈值（例如-2）以确保不拒绝任何真实的面孔

# Begin pseudo-code
import svm as svmlib

prob = svmlib.svm_problem(labels, data)
param = svmlib.svm_parameter(svm_type=svmlib.C_SVC, kernel_type = svmlib.RBF)
model = svmlib.svm_model(prob, param)

# get confidence
self.model.predict_values_raw(sample_to_classify)

首选libsvm（python）中的一个类

2 个答案: