MATLAB 支持向量机 (SVM) 交叉验证实现以提高代码速度

Posted 2023-03-13

【中文标题】MATLAB 支持向量机 (SVM) 交叉验证实现以提高代码速度

【英文标题】：MATLAB support vector machine(SVM) cross validation implementations to improve code speed

【发布时间】：2016-06-02 18:36:11

【问题描述】：

目前我正在将此代码用于 MATLAB R2015b 支持向量机 (SVM) 10 倍交叉验证。

indices = crossvalind('Kfold',output,10);
cp = classperf(binary_output);

for i = 1:10
    test = (indices == i); train = ~test;

    SVMModel = fitcsvm(INPUT(train,:), output(train,:),'KernelFunction','RBF',...
        'KernelScale','auto');
    class = predict(SVMModel, INPUT(test,:));
    classperf(cp,class,test);
end

z = cp.ErrorRate;
sensitivity = cp.Sensitivity;
specificity = cp.Specificity;

我需要提取此二元分类的敏感性和特异性。否则我会循环运行这段代码。

这种交叉验证的结构太慢了。还有其他更快执行的实现吗？

【问题讨论】：

我认为有一个名为cvpartition 的函数，可能会有所帮助。

【参考方案1】：

一种简单的方法是使用crossval 函数中的多线程。

tic

%data partition
order = unique(y); % Order of the group labels
cp = cvpartition(y,'k',10); %10-folds

%prediction function
f = @(xtr,ytr,xte,yte)confusionmat(yte,...
predict(fitcsvm(xtr, ytr,'KernelFunction','RBF',...
    'KernelScale','auto'),xte),'order',order);

% missclassification error 
cfMat = crossval(f,INPUT,output,'partition',cp);
cfMat = reshape(sum(cfMat),2,2)
toc

使用混淆矩阵，您可以轻松获得灵敏度和特异性。作为记录，您的脚本和 Matlab 提供的 crossval 函数之间的时间没有任何改进。

crossval 函数的替代方法是使用parfor 将每次迭代的计算拆分到不同的内核之间。

Ps：对于任何并行计算，parpool 必须在之前运行（或者可能由某些函数运行）并且设置它需要几秒钟。