1

我正在使用 Matlab 中的VLFeat库进行一些图像分析工作。我想使用他们的 Pegasos SVM 实现，因为他们已经实现了一些内核，特别是 Chi2 内核。

但是，我发现文档让我感到困惑。按照本教程，我有一个模型w和一个偏差b，但是我如何使用它来对我的测试数据进行分类？

我的起始数据是这样的（尺寸）..

size(train_data) = 
    200    210

size(train_labels) =
    1      210

size(test_data) =
    200    140

size(test_labels) =
    1      140

我可以用..构建数据集

dataset = vl_maketrainingset(train_data, int8(train_labels))

给我..

dataset = 
      data: [200x210 double]
    labels: [1x210 int8]

然后我可以建立模型..

[w b info] = vl_svmpegasos(dataset,0.01,'MaxIterations',5000);

w200 x 1我的模型 ('w'eights?) 是一个大小为 0 到 1的向量大小。

我相信我需要将此向量乘以 mytest_data以获得某种分数，但我不确定这些分数的含义是什么。

任何方向都非常感谢。

4

1 回答 1

0

你看过他们的Caltech 101 示例代码吗？它使用pegasos并对结果进行了很好的评估。

这是相关的代码片段：

% --------------------------------------------------------------------
%                                                            Train SVM
% --------------------------------------------------------------------

lambda = 1 / (conf.svm.C *  length(selTrain)) ;
w = [] ;
for ci = 1:length(classes)
  perm = randperm(length(selTrain)) ;
  fprintf('Training model for class %s\n', classes{ci}) ;
  y = 2 * (imageClass(selTrain) == ci) - 1 ;
  data = vl_maketrainingset(psix(:,selTrain(perm)), int8(y(perm))) ;
  [w(:,ci) b(ci)] = vl_svmpegasos(data, lambda, ...
                                  'MaxIterations', 50/lambda, ...
                                  'BiasMultiplier', conf.svm.biasMultiplier) ;

  model.b = conf.svm.biasMultiplier * b ;
  model.w = w ;

% --------------------------------------------------------------------
%                                                Test SVM and evaluate
% --------------------------------------------------------------------

% Estimate the class of the test images
scores = model.w' * psix + model.b' * ones(1,size(psix,2)) ;
[drop, imageEstClass] = max(scores, [], 1) ;

% Compute the confusion matrix
idx = sub2ind([length(classes), length(classes)], ...
              imageClass(selTest), imageEstClass(selTest)) ;
confus = zeros(length(classes)) ;
confus = vl_binsum(confus, ones(size(idx)), idx) ;
于 2013-04-04T12:01:22.523 回答