libsvm matlab 中的 2 个错误“模型不支持概率估计和下标分配维度不匹配”

Posted 2023-03-12

【中文标题】libsvm matlab 中的 2 个错误“模型不支持概率估计和下标分配维度不匹配”

【英文标题】：2 errors in libsvm matlab "Model does not support probabiliy estimates and Subscripted assignment dimension mismatch"

【发布时间】：2016-08-10 13:33:50

【问题描述】：

我想使用库 LIBSVM 对包含 5 个测试图像的列表进行分类，并采用“一对一”策略，以获得每个类的概率。使用的代码如下：

load('D:\xapp.mat');
load('D:\xtest.mat');
load('D:\yapp.mat');%% matrix contains true class of images yapp=[641;645;1001;1010;1100]
load('D:\ytest.mat');%% matrix contains unlabeled class of test set  ytest=[1;2;3;4;5]
numLabels=max(yapp);
numTest=size(ytest,1);
%# train one-against-all models
model = cell(numLabels,1);
for k=1:numLabels
   modelk = svmtrain(double(yapp==k),xapp, ['-c 1000 -g 10 -b 1 ']);
end
%# get probability estimates of test instances using each model
prob = zeros(numTest,numLabels);
for k=1:numLabels
   [~,~,p] = svmpredict(double(ytest==k), xtest, modelk, '-b 1');
   prob(:,k) = p(:,modelk.Label==1);    %# probability of class==k
end
%# predict the class with the highest probability
[~,pred] = max(prob,[],2);
acc = sum(pred == ytest) ./ numel(ytest)    %# accuracy

我收到此错误：

模型不支持概率估计 下标分配维度不匹配。 补偿中的错误（第 98 行） prob(:,k) = p(:,modelk.Label==1); 1234562的%#概率==k

请帮我解决这个错误并提前感谢

【问题讨论】：

我认为错误在numLabels=max(yapp); 中。在这一行中，您基本上说有 1100 个标签，而这是不正确的，因为您有 5 个标签。如果yapp=[641;645;1001;1010;1100]，那么类的数量是length(yapp)，而不是max(yapp)。

感谢您的回复，澄清：xapp 代表训练集，xtest 包含测试集。我知道问题来自这一行 numLabels=max(yapp);但是当我用长度（yapp）替换最大值时，我得到了同样的错误。感谢您的任何建议

你也应该注意double(yapp==k)这一行。对于从 1 到 numLabels 的 k 和在 [641;645;1001;1010;1100] 范围内的 yapp，永远不会验证相等性。我不认为这会消除错误，但你会得到所有类的全零标签，这永远不会导致正确的结果

是的，这正是问题所在。这个实现是针对所有在 libsvm 中的 svm。请对解决此错误的任何其他实现有任何想法

好吧，既然yapp 和ytest 都包含标签，它们应该包含相同的值范围（即从1 到5）。如果您事先不知道测试集的标签，那不是一个真正的测试集：这些只是未分类的模式，SVM 将返回它们的估计标签。如果ytest 的内容只是从 1 到 5 的虚拟数字，那么您不能将其用于准确性评估和/或性能评估（就像您在 真实 测试集中所做的那样）。您必须从svmpredict() 收集第一个输出，这些将是估计的标签。

【参考方案1】：

您要做的是使用代码 sn-p 来评估 SVM 分类器的性能，而您的目标是正确估计测试集的标签。

我假设您的五个标签是[641;645;1001;1010;1100]（如yapp）。您要做的第一件事是删除ytest，因为您不知道测试集的任何标签。用一些虚拟值填充ytest 是没有意义的：SVM 将返回我们预测的标签。

第一个错误，正如 cmets 中已经指出的那样，在

numLabels=max(yapp);

您必须将max() 更改为length() 才能收集班级数量。

训练阶段几乎是正确的。 鉴于k 从 1 变为 5 而yapp 具有上述范围，您应该考虑将double(yapp==k) 更改为double(yapp==yapp(k))：通过这种方式，我们将yapp 中的第k 个值标记为正。鉴于k 从 1 变为 5，那么 yapp(k) 将从 641 变为 1100。

现在是预测阶段。svmpredict() 的第一个输入应该是测试标签，但现在我们不知道它们，所以我们可以用零向量填充它（测试集中有多少个模式就有多少个零）。这是因为如果测试标签已知，svmpredict() 也会自动返回准确度，但事实并非如此。所以你必须把第二个for循环改成

for k=1:numLabels
   [~,~,p] = svmpredict(zeros(size(xtest,1),1), xtest, modelk, '-b 1');
   prob(:,k) = p(:,modelk.Label==1);    %# probability of class==k
end

最后用

预测标签

[~,pred] = max(prob,[],2);

而pred 包含预测标签。

注意 1：但是，在这种方法中，您无法测量准确度和/或其他参数，因为我们所说的测试集实际上并不是测试集。测试集是一个有标签的集合，我们假装不知道它的标签，以便让 SVM 预测它们，然后将预测的标签与实际标签匹配以测量其准确性。

注意 2：由于第二个 for 循环，pred 中的预测标签很可能具有 1 到 5 范围内的值。但是，由于您的标签具有不同的值，因此您可以在考虑 1 是 641、2 是 645、3 是 1001、4 是 1010、5 是 1100 的情况下进行映射。

【讨论】：

我试过这个，但我得到一个矩阵 pred 作为同胞 pred=[5;5;5;5;5] 但实际上类标签在 [641;645;1001;1010; 1100]。究竟是什么问题？