网格搜索支持向量机

11 Ansichten(30天)的

Altere Kommentare anzeigen

Shalmiya Paulraj SOC 我2022年7月20日

0
Verknupfen

这位Frage祖茂堂Direkter链接

https://de.mathworks.com/matlabcentral/answers/1764040-grid-search-in-svm

Kommentiert: 沃尔特·罗伯森我2022年7月22日

Akzeptierte Antwort: 沃尔特·罗伯森

你好,

我在训练数据(train.mat)和测试数据(test.mat),我需要执行网格搜索。我怎么能做svm训练呢?请帮我这个忙。提前谢谢。

2 Kommentare
1 alteren Kommentar anzeigen1 alteren Kommentar ausblenden

Shalmiya Paulraj SOC 我2022年7月20日

我需要做svm hyperparameter优化利用网格搜索方法。

Melden您西奇,嗯祖茂堂kommentieren。

Melden您西奇一个,嗯这Frage祖茂堂beantworten。

Akzeptierte Antwort

沃尔特·罗伯森我2022年7月20日

0
Verknupfen

这位Antwort祖茂堂Direkter链接

https://de.mathworks.com/matlabcentral/answers/1764040-grid-search-in-svm answer_1011630

                              Nbox = 15;%根据需要改变这些
                             
                              Nkern = 10;%根据需要改变这些
                             
                              bcvec = logspace (3 3 Nbox);
                             
                              ksvec = logspace (3 3 Nkern);
                             
                              善良= 0 (Nbox Nkern);
                             
                              为ksidx = 1: Nkern
                             
                              ks = ksvec (ksidx);
                             
                              为bcidx = 1: Nbox
                             
                              公元前= bcvec (bcidx);
                             
                              mdl = fitcsvm (Training_Data Training_Class,…
                             
                              “标准化”,真的,…
                             
                              “KernelFunction”,“rbf”,…
                             
                              “BoxConstraint”公元前,,…
                             
                              “KernelScale”、ks);
                             
                              预测=预测(mdl Test_Data);
                             
                              = = Test_Class correct_matches = nnz(预测);
                             
                              善(bcidx ksidx) = correct_matches;
                             
                              结束
                             
                              结束
                             
                              best_score = max(善良(:));
                             
                              [bcidx, ksidx] =找到(善良= = best_score);
                             
                              best_bc = bcvec (bcidx);
                             
                              best_ks = ksvec (ksidx);
                             
                              best_fits =表(best_bc best_ks,“VariableNames”,{“BoxConstraint”,“KernelScale”});

输出表,best_fits,清单的所有组合BoxConstraint KernelScale一起导致最好的成绩发现,在“分数”(在这段代码中)完全取决于正确的数量匹配。

你将不得不改变善良是如何计算的,如果你想要关心等方面平衡精度的各种类。与当前的代码,如果(例如)100%成功的最大匹配的类,和0%成功的在所有其他的类,然后计算出的善良这段代码可能会高达,即使它可能是可怕的其他类。你计算善可能会更好一些。

6 Kommentare
5 altere Kommentare anzeigen5 altere Kommentare ausblenden

沃尔特·罗伯森我2022年7月20日

Bearbeitet:沃尔特·罗伯森我2022年7月20日

                                   temp =负载(“train.mat”);
                                  
                                   Training_Data = temp.VariableThatContainsTrainingData;
                                  
                                   Training_Class = temp.VariableThatContainsTrainingClass;
                                  
                                   temp =负载(“test.mat”);
                                  
                                   Test_Data = temp.VariableThatContainsTestData;
                                  
                                   Test_Class = temp.VariableThatContainsTestClass;

我不知道火车的变量名。垫和测试。垫所以我不得不像VariableThatContainsTrainingData填写占位符。

也并不少见,数据和类信息结合,经常与类信息数据的最后一列。在这种情况下它可能看起来更像

                                   temp =负载(“train.mat”);
                                  
                                   Training_Data = temp.VariableThatContainsData (:, 1: end-1);
                                  
                                   Training_Class = temp.VariableThatContainsData(:,结束);
                                  
                                   temp =负载(“test.mat”);
                                  
                                   Test_Data = temp.VariableThatContainsData (:, 1: end-1);
                                  
                                   Test_Class = temp.VariableThatContainsData(:,结束);

剩下的代码是一个简单double-nested循环,经历所有定义组合BoxConstraint KernelScale,和寻找组合产生最好的分数。

唯一不寻常的代码是十分常见,但人们认为只有一个组合产生最大的分数,但我编程在几个组合每个产生的可能性最大得分。

这我不清楚的是,为什么你不只是打开hyperparameter优化,让内置的优化代码的情况。

Shalmiya Paulraj SOC 我2022年7月21日

我得到以下错误消息:

错误使用classreg.learning.internal.ClassLabel(30行)

你必须通过类标签作为一个向量。

在ClassificationSVM错误。prepareData(第627行)

allClassNames =水平(classreg.learning.internal.ClassLabel (Y));

在classreg.learning错误。FitTemplate /适合(第246行)

this.PrepareData (X, Y, this.BaseFitObjectArgs {:});

在ClassificationSVM错误。适合(第240行)

这=适合(temp, X, Y);

错误fitcsvm(第342行)

obj = ClassificationSVM.fit (X, Y, RemainingArgs {:});

沃尔特·罗伯森我2022年7月22日

                                   temp =负载(“train.mat”);
                                  
                                   Training_Data1 = temp.finaltrain(:, 1:结束/ 2);
                                  
                                   Training_Data2 = temp.finaltrain(:,结束/ 2 + 1:结束);
                                  
                                   Training_Data = [Training_Data1;Training_Data2];
                                  
                                   Training_Class =[(大小(Training_Data1, 1), 1);2 * 1(大小(Training_Data2, 1), 1)];
                                  
                                   temp =负载(“test.mat”);
                                  
                                   Test_Data1 = temp.finaltest(:, 1:结束/ 2);
                                  
                                   Test_Data2 = temp.finaltest(:,结束/ 2 + 1:结束);
                                  
                                   Test_Data = [Test_Data1;Test_Data2];
                                  
                                   Test_Class =[(大小(Test_Data1, 1), 1);2 * 1(大小(Test_Data2, 1), 1)];
                                  
                                   Nbox = 25;%根据需要改变这些
                                  
                                   Nkern = 20;%根据需要改变这些
                                  
                                   bcvec = logspace (3 3 Nbox);
                                  
                                   ksvec = logspace (3 3 Nkern);
                                  
                                   善良= 0 (Nbox Nkern);
                                  
                                   世行= waitbar (0,“请稍等,处理内核扩展”);
                                  
                                   cleanMe = onCleanup(@()删除(wb));
                                  
                                   为ksidx = 1: Nkern
                                  
                                   waitbar (ksidx / Nkern, wb);
                                  
                                   ks = ksvec (ksidx);
                                  
                                   为bcidx = 1: Nbox
                                  
                                   公元前= bcvec (bcidx);
                                  
                                   mdl = fitcsvm (Training_Data Training_Class,…
                                  
                                   “标准化”,真的,…
                                  
                                   “KernelFunction”,“rbf”,…
                                  
                                   “BoxConstraint”公元前,,…
                                  
                                   “KernelScale”、ks);
                                  
                                   预测=预测(mdl Test_Data);
                                  
                                   = = Test_Class correct_matches = nnz(预测);
                                  
                                   善(bcidx ksidx) = correct_matches;
                                  
                                   结束
                                  
                                   结束
                                  
                                   清晰的cleanMe%摆脱waitbar
                                  
                                   best_score = max(善良(:));
                                  
                                   [bcidx, ksidx] =找到(善良= = best_score);
                                  
                                   best_bc = bcvec (bcidx);
                                  
                                   best_ks = ksvec (ksidx);
                                  
                                   best_fits =表(best_bc best_ks,“VariableNames”,{“BoxConstraint”,“KernelScale”});
                                  
                                   best_fits

Melden您西奇,嗯祖茂堂kommentieren。

Weitere Antworten (0)

Melden您西奇一个,嗯这Frage祖茂堂beantworten。

Kategorien

MATLAB 数据导入与分析描述性统计

Mehr祖茂堂描述性统计法登您在帮助中心和文件交换

社区寻宝

找到宝藏在MATLAB中央,发现社区如何帮助你!

开始狩猎!

翻译的