matlab - vlfeat - vl_pegasos (svm) 分类

Posted 2023-02-19

【中文标题】matlab - vlfeat - vl_pegasos (svm) 分类

【英文标题】：matlab - vlfeat - vl_pegasos (svm) classification

【发布时间】：2013-01-23 00:44:12

【问题描述】：

我在 Matlab 中使用 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。在this tutorial 之后，我有一个模型w 和一个偏差b，但是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（维度）..

size(train_data) = 
    200    210

size(train_labels) =
    1      210

size(test_data) =
    200    140

size(test_labels) =
    1      140

我可以用..构建一个数据集。

dataset = vl_maketrainingset(train_data, int8(train_labels))

给我..

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

然后我可以构建模型..

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

w is my model ('w'eights?) is a vector size of size 200 x 1 with values range from 0 to 1.

我认为我需要将此向量乘以我的test_data 以获得某种分数，但我不确定这些分数的含义是什么。

非常感谢任何方向。

【参考方案1】：

你看过他们的Caltech 101 example code吗？它使用 pegasos 并对结果进行了很好的评估。

这里是相关代码sn-p：

% --------------------------------------------------------------------
%                                                            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', classesci) ;
  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) ;