matlab - libsvm 中的多类分类

Question

我正在使用libsvm，我必须使用one vs all实现多类的分类。

我该怎么做？2011版使用这个吗
？libsvm

---

我认为我的问题不是很清楚。如果 libsvm 不自动使用一对多，我将为每个类使用一个 svm，否则我如何在svmtrain函数中定义这个参数。我已经阅读了 libsvm 的 README。

Answer 1

根据官方 libsvm文档（第 7 节）：

LIBSVM 实现了多类分类的“一对一”方法。如果k是类的数量，则k(k-1)/2 构建分类器，每个分类器训练来自两个类的数据。

在分类中，我们使用投票策略：每个二元分类都被认为是一次投票，其中可以为所有数据点 x 投票 - 最后将一个点指定为具有最大投票数的类。

在一对多的方法中，我们构建与类一样多的二元分类器，每个分类器都经过训练以将一个类与其他类分开。为了预测一个新实例，我们选择具有最大决策函数值的分类器。

---

正如我之前提到的，这个想法是训练kSVM 模型，每个模型将一个类与其他类分开。一旦我们有了这些二元分类器，我们就可以使用概率输出（-b 1选项）通过选择概率最高的类来预测新实例。

考虑以下示例：

%# Fisher Iris dataset
load fisheriris
[~,~,labels] = unique(species);   %# labels: 1/2/3
data = zscore(meas);              %# scale features
numInst = size(data,1);
numLabels = max(labels);

%# split training/testing
idx = randperm(numInst);
numTrain = 100; numTest = numInst - numTrain;
trainData = data(idx(1:numTrain),:);  testData = data(idx(numTrain+1:end),:);
trainLabel = labels(idx(1:numTrain)); testLabel = labels(idx(numTrain+1:end));

这是我对多类 SVM 的一对一方法的实现：

%# train one-against-all models
model = cell(numLabels,1);
for k=1:numLabels
    model{k} = svmtrain(double(trainLabel==k), trainData, '-c 1 -g 0.2 -b 1');
end

%# get probability estimates of test instances using each model
prob = zeros(numTest,numLabels);
for k=1:numLabels
    [~,~,p] = svmpredict(double(testLabel==k), testData, 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 == testLabel) ./ numel(testLabel)    %# accuracy
C = confusionmat(testLabel, pred)                   %# confusion matrix