如何缩放 SVM 分类的输入特征？

Posted 2023-03-13

技术标签:

【中文标题】如何缩放 SVM 分类的输入特征？【英文标题】：How to scale input features for SVM classification? 【发布时间】：2015-12-09 04:23:44 【问题描述】：

我正在尝试在 MATLAB 中使用 SVM 执行两类分类。 'Normal' 和 'Infected' 两个类别分别用于将细胞图像分类为 Normal 或 Infected。

我使用由 1000 个正常细胞图像和 300 个感染细胞图像组成的训练集。我从每个单元格中提取了 72 个特征。所以我的训练特征集矩阵是 72x1300，其中每一行代表一个特征，每一列代表从相应图像测量的相应特征值。

data: 72x1300 double

我的类标签向量初始化为：

cellLabel(1:1000) = 'normal';
cellLabel(1001:1300) = 'infected';

正如这些链接中所暗示的： http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf 和 svm scaling input values，我开始这样做缩放特征值：

for i=1:1:size(data,1)
mu(i) = mean(data(:,i));
sd(i) = std(data(:,i));
scaledData(:,i) = (data(:,i) - mu(i))./sd(i);
end

为了进行测试，我读取了一张测试图像并计算了一个 72x1 的特征向量。在我分类之前，我使用来自“数据”的相应均值和标准差值来缩放测试向量，然后进行分类。如果我这样做，我将获得 0% 的训练准确度。但是，如果我分别从每个类中缩放每个类并连接起来，我将获得 98% 的训练准确度。有人可以解释我的方法是否正确吗？为了训练的准确性，我知道我使用的是什么图像，因此读取了平均值和 SD 值。对于图像标签未知的情况，我应该怎么做？

这就是我的训练方式：

[idx,z] = rankfeatures(data,cellLabel,'Criterion','wilcoxon','NUMBER',7);
rnkData = data(idx,:);
rnkData = rnkData';
cellLabel = cellLabel';
SVMModel = fitcsvm(rnkData,cellLabel,'Standardize',true,'KernelFunction','RBF','KernelScale','auto');

您可以看到我尝试使用内置的缩放属性，但无论输入如何分类都倾向于显示“正常”类。

【问题讨论】：

在 MATLAB 中最新的 SVM 实现中，内置函数默认缩放输入你能发布一个关于你如何进行培训的 sn-p 吗？ 【参考方案1】：