Question

我有多个数据集，它们是x y个数据，每个数据集代表同一类，另外我也有其他2个类的多个数据集。

我需要对合并的y数据进行训练还是需要为每个数据集调用训练函数，请注意每个数据集是同一类？每个类类型都有多个数据集。

我对第1类有150 x y的数据集，对第2类有约68的数据集，对于第3类有55的数据集。我如何在matlab中训练支持向量机（SVM）？

Answer 1

据我了解您的项目，您想在包含3个不同类的数据集上训练分类器。

通常，您希望使用您的网络希望学习的类来标记数据，因此它可以签入训练，在“猜测”之后仍偏离解决方案多少，以便为下一次迭代优化权重。

您还希望将数据集划分为一个训练集，该训练集将用于学习，并且有2个部分具有不同的数据，网络尚未“知道”，将提供很好的参考。这两个是一个验证集，用于在训练过程中进行其他验证；一个测试集，用于在训练后测试准确性。

可以这样进行：

将训练数据累积在4D矩阵A中，其中前2维是x和y的值，而第3维是的索引。 XY矩阵。您可以使用A = horzconcat(x,y)
使用第4维来根据您的类标记数据。在您的情况下，在前150个元素中写1，在随后的68中写2，在后55个中写3
随机播放标记的数据集。您可以使用randperm创建随机索引，然后遍历集合
将您的数据集分为训练，验证和测试部分。（通常60％，20％，20％是合理的）
将这些集合分别分成包含训练数据的3D X矩阵和包含每个训练数据的解的Y向量。

在您的训练选项中，指定带有验证部分的验证数据，例如：

training_options =  trainingOptions ...
                    ('sgdm', ...
                    'Verbose', 1 ,...
                    'VerboseFrequency' , 20, ...
                    'MaxEpochs', 30, ...
                    'MiniBatchSize', 128, ...
                    'Shuffle', 'every-epoch', ...
                    **'ValidationData', {X_validate, categorical(Y_validate)},...**
                    'ValidationFrequency', 20, ...
                    'ValidationPatience', 5, ...
                    'InitialLearnRate', 0.001, ...
                    'L2Regularization', 0, ...
                    'Momentum', 0, ...
                    'ExecutionEnvironment', 'cpu', ...
                    'Plots','training-progress');

使用

训练神经网络Matlab对象

[nn, nn_info] = trainNetwork(X_train, categorical(Y_train), ...
              layers, training_options);

获取受训网络的准确性：

acurracy = sum(Y_test_predictions == categorical(Y_test) )/ ...
       size(Y_test, 1)

我将此方法应用于卷积网络，效果很好。希望这会有所帮助，

最好，西蒙

在Matlab中使用多个数据集训练svm

1 个答案: