Question

您能否在matlab中使用支持向量机（SVM）给出4个类的分类示例：

atribute_1  atribute_2 atribute_3 atribute_4 class
1           2          3           4             0
1           2          3           5             0
0           2          6           4             1
0           3          3           8             1
7           2          6           4             2
9           1          7           10            3

Answer 1

SVM最初设计用于二进制分类。然后他们被扩展到处理多类问题。我们的想法是将问题分解为许多二元类问题，然后将它们组合起来以获得预测。

一种称为 one-against-all 的方法，构建尽可能多的二进制分类器，每个类都有一些类，每个类都训练将一个类与其余类分开。为了预测新实例，我们选择具有最大决策函数值的分类器。

另一种称为一对一的方法（我相信在LibSVM中使用），构建k(k-1)/2二进制分类器，经过培训可以将每对类彼此分开，并使用确定输出预测的多数投票方案（最大赢策略）。

还有其他方法，例如使用纠错输出代码（ECOC）来构建许多有点冗余的二进制分类器，并使用此冗余来获得更强大的分类（使用与汉明码）。

示例（一对一）：

%# load dataset
load fisheriris
[g gn] = grp2idx(species);                      %# nominal class to numeric

%# split training/testing sets
[trainIdx testIdx] = crossvalind('HoldOut', species, 1/3);

pairwise = nchoosek(1:length(gn),2);            %# 1-vs-1 pairwise models
svmModel = cell(size(pairwise,1),1);            %# store binary-classifers
predTest = zeros(sum(testIdx),numel(svmModel)); %# store binary predictions

%# classify using one-against-one approach, SVM with 3rd degree poly kernel
for k=1:numel(svmModel)
    %# get only training instances belonging to this pair
    idx = trainIdx & any( bsxfun(@eq, g, pairwise(k,:)) , 2 );

    %# train
    svmModel{k} = svmtrain(meas(idx,:), g(idx), ...
        'BoxConstraint',2e-1, 'Kernel_Function','polynomial', 'Polyorder',3);

    %# test
    predTest(:,k) = svmclassify(svmModel{k}, meas(testIdx,:));
end
pred = mode(predTest,2);   %# voting: clasify as the class receiving most votes

%# performance
cmat = confusionmat(g(testIdx),pred);
acc = 100*sum(diag(cmat))./sum(cmat(:));
fprintf('SVM (1-against-1):\naccuracy = %.2f%%\n', acc);
fprintf('Confusion Matrix:\n'), disp(cmat)

以下是示例输出：

SVM (1-against-1):
accuracy = 93.75%
Confusion Matrix:
    16     0     0
     0    14     2
     0     1    15

Answer 2

MATLAB目前不支持多类SVM。您可以使用svmtrain（2个类）来实现此目的，但使用标准SVM包会容易得多。

我使用了LIBSVM并且可以确认它非常易于使用。

%%# Your data
D = [
1           2          3           4             0
1           2          3           5             0
0           2          6           4             1
0           3          3           8             1
7           2          6           4             2
9           1          7           10            3];
%%# For clarity
Attributes = D(:,1:4);
Classes = D(:,5);
train = [1 3 5 6];
test = [2 4];

%%# Train
model = svmtrain(Classes(train),Attributes(train,:),'-s 0 -t 2');

%%# Test
[predict_label, accuracy, prob_estimates] = svmpredict(Classes(test), Attributes(test,:), model);

在matlab中支持向量机

2 个答案: