为啥准确率是 0%？ MATLAB LIBSVM

Posted 2023-03-12

【中文标题】为啥准确率是 0%？ MATLAB LIBSVM

【英文标题】：Why is the accuracy coming as 0% ? MATLAB LIBSVM为什么准确率是 0%？ MATLAB LIBSVM

【发布时间】：2014-02-23 19:24:56

【问题描述】：

我使用以下方法提取了 PCA 特征：

function [mn,A1,A2,Eigenfaces] = pca(T,f1,nf1) 
m=mean(T,2),   %T is the whole training set
train=size(T,2);
A=[];
for i=1:train
    temp=double(T(:,i))-m;
    A=[A temp];
end

train=size(f1,2);    %f1 - Face 1 images from training set 'T'
A=[];
for i=1:train
    temp=double(f1(:,i))-m;
    A1=[A1 temp];
end


train=size(nf1,2);    %nf1 - Images other than face 1 from training set 'T'
A=[];
for i=1:train
    temp=double(nf1(:,i))-m;
    A2=[A2 temp];
end

L=A'*A;
[V D]=eig(L);
for i=1:size(V,2)
    if(D(i,i)>1)
       L_eig=[L_eig V(:,1)];
    end
end 
Eigenfaces=A*L_eig;
end  

然后我只从训练数据中投影出人脸 1（+1 类）：

功能 1

for i=1:15                       %number of images of face 1 in training set
    temp=Eigenfaces'*A1(:,i);
    proj_img1=[proj_img1 temp];
end

然后我从训练数据中预测其余的人脸（-1 类）：

功能2

 for i=1:221              %number of images of faces other than face 1 in training set
      temp=Eigenfaces'*A2(:,i);
      proj_img2=[proj_img2 temp];
 end

功能 3 然后使用以下方法获得输入图像向量：

diff=double(inputimg)-mn;   %mn is the mean of training data
testfeaturevector=Eigenfaces'*diff;

我将函数 1 和 2 的结果分别写在带有标签 +1 和 -1 的 CSV 文件中。 然后我使用 LIBSVM 在给出真实标签时获得准确度，它返回 0%，当我尝试预测标签时它是 -1 而不是 +1。

准确率是 0% 吗？

基本上我的模型没有正确训练，我没有看到错误。

任何建议将不胜感激。

【问题讨论】：

请注意：您没有使用 mn（沿第二维的平均值），然后继续减去沿第一维的平均值。不确定意图是什么......

@Falimond : 抱歉，函数 3 的平均值必须是“mn”

是 [f1 nf1] 组成你的 T（或 T 的某些列排列）？

@lennon310: 是的 lennon，[f1 nf1] 组成 T

看起来您已经为此工作了一段时间，根据您在此处所说的内容，我不知道问题出在哪里。你的数据有多大？如果您可以将所有东西上传到某个地方（包括对它们的清晰描述），我想尝试一下 libsvm。谢谢

【参考方案1】：

以Eigenfaces为训练集，用1或-1组成一个label向量（如果Eigenfaces的第i列指1，则label中的第i个元素为1，否则为-1) 。并在svmtrain函数中使用Eigenfaces和label。

【讨论】：

谢谢你，我会试试这个。所以我不需要将“训练数据”投影到特征脸然后使用“proj_imgs”进行训练？

"for i=1:length(A) temp=Eigenfaces'*A(:,i); proj_imgs=[proj_imgs temp]; end"

【参考方案2】：

@lennon310：

for i=1:length(Eigenfaces)                   
    temp=Eigenfaces'*A(:,i);
    proj_imgs=[proj_imgs temp];
end

【讨论】：

您无需再次投影。 Eigenfaces 已经是你的训练样本了。

@lennon310：好吧，列侬这就是我所困惑的。但是我投影测试图像的方式还可以吧？

没有。您在测试图像上再次执行 PCA，与在训练图像中所做的方式相同，只是您仍然使用来自训练图像的相同平均值。新生成的特征面将是您的 svmpredict 中的输入

列侬，下面的答案对吗？我减去了训练数据的平均值，然后投影到特征空间中

【参考方案3】：

@lennon310：

   diff=double(inputimg)-mn;   %mn is the mean of training data

   testfeaturevector=Eigenfaces'*diff;

【讨论】：

这没有提供问题的答案。要批评或要求作者澄清，请在他们的帖子下方发表评论 - 您可以随时评论自己的帖子，一旦您有足够的reputation，您就可以comment on any post。

只需使用 testimg 生成一个新的 eigenfaces 数组。

@Charles：当我尝试在 cmets 部分编写代码 sn-p 时，它以单行形式出现，而不是代码，因此为方便起见，我将其写在答案部分，但我会以后要多加小心。

@lennon310：所以我发现测试图像的PCA如下？？

@lennon310: temp=double(testimg)-m; %其中'm'是训练图像的平均值 L=temp'temp; [V D]=eig(L)；对于 i=1:size(V,2) if(D(i,i)>1) L_eig=[L_eig V(:,1)]; end end Eigenfaces=tempL_eig;

【参考方案4】：

坦率地说，你的代码是一团糟。

一个有问题的部分：

data = reshape(data, M*N,1);

这不是让data 成为一个只有 1 列的矩阵吗？这没有意义。

在eigenfaces 上查看本教程。里面有代码和例子来告诉你该怎么做。详情请参阅相关网页here。 Matlab/Octave 代码可以在here找到。

【讨论】：

我改变了计算 PCA 的方式，请参阅有问题的编辑。请你现在看一下，告诉我哪里出错了。我会浏览你提到的链接，非常感谢。

我浏览了这个链接，它很有帮助，但它又不能解决我如何“标记投影”的问题？导致它使用最近邻进行分类，而不是 SVM。

看，如果你的原始向量有一个标签 k，那么它的投影版本只是有相同的标签。

然后我将 proj_img1 标记为标签 +1，因为这些是来自面 1 的投影，而 prog_img2 是标签 -1，因为这些是来自除面 1 之外的所有其他面的投影。

看，你可以在“多类”模式下训练 LIBSVM/LIBLINEAR，它会自动为 One-vs-all 或 one-vs-one 设置许多分类器，这意味着你不需要必须自己设置许多二进制 SVM。这可以由 LIBSVM/LIBLINEAR 自动处理。这是大多数 ML 包的标准行为。

【参考方案5】：

@lennon310: 

    temp=double(testimg)-m;  %where 'm' is the mean of the training images
    L=temp'*temp;
    [V D]=eig(L);
    for i=1:size(V,2)
        if(D(i,i)>1)
           L_eig=[L_eig V(:,1)];
        end
    end 
    Eigenfaces=temp*L_eig;

【讨论】：

Lennon 我试过这个，准确率是 0%。我不知道出了什么问题。

你的matlab中有princomp函数吗？也许您可以将其用于 pca 进行比较...

@lennon310：我有 princomp ，我会尝试并回复你。我的特征空间的大小为 65536*10，其中 65536=256*256 是图像的大小，10=训练图像的数量。这意味着我的代码保留了所有值，而不仅仅是主要组件，对吗？

我不太明白保留所有值是什么意思。实际上，恢复的图像与原始图像大小相同（在您的情况下为 65536*10）。你可以看看这篇关于如何实现princomp的帖子：***.com/questions/21640801/…，并使你自己的代码与从princomp获得的结果一致。如果即使您使用 princomp 仍然存在问题，那可能是 libsvm 的问题。但目前只需确保 pca+eigenspace 部分都是正确的。谢谢

我不认为行会改变，你压缩你的数据是删除不相关的列，在你的情况下你只保留10列，但行号仍然是每个的大小图片 (256*256)