支持向量机模型测试数据不正常工作

20视图(30天)

显示旧的评论

亚当·哈斯 2018年1月8日

0
链接

这个问题直接联系

//www.tatmou.com/matlabcentral/answers/376150-svm-model-not-working-properly-on-test-data

评论道: G.N. Cobbold2020年12月14日

你好,我是使用fitcsvm对两组数据进行分类,一班和二班。当我训练模型的数据集,然后检查它如何使用预测,这似乎是完美的工作。但是,当我输入一个新的数据集,它只将在2班,虽然我使用修改器成本状态分类类1类2是三倍比分类类2类1。

支持向量机模型:

                         SVMModel = fitcsvm(数据、classLabel“KernelFunction”,“高斯”,…
                        
                         “标准化”,真的,“类名”,{“1级”,二班的},…
                        
                         “成本”,[0 3;1 0]);

训练集的验证:

[svmLabel,分数]=预测(SVMModel、数据);

测试集:

[newsvmLabel,分数]=预测(SVMModel testData);

我认为我正确使用它,所以任何建议的感谢。

1评论
显示隐藏 None

骑自行车的人 2018年1月8日

你能上传数据,或一个小样本问题?这样我们可以运行代码,看看自己。

登录置评。

在回答这个问题。

答案(3)

Bernhard Suhm 2018年2月23日

0
链接

直接链接到这个答案

//www.tatmou.com/matlabcentral/answers/376150-svm-model-not-working-properly-on-test-data answer_306626

你正确地应用预测函数,所以一定有毛病你testData,可能在一列类型不匹配的训练数据。没有提供一个例子,“自行车”进一步请求——不可能帮助你。

0评论
显示隐藏1以上的评论

登录置评。

Roushanak哈吉Hassani 2018年10月1日

0
链接

直接链接到这个答案

//www.tatmou.com/matlabcentral/answers/376150-svm-model-not-working-properly-on-test-data answer_339208

你解决问题了吗?我有一个类似的问题。

1评论
显示隐藏 None

Bernhard Suhm 2018年10月1日

没有数据,我们只是猜测问题可能是什么。实际上你可能需要看看你的训练数据,也许这就是高度不平衡,成本函数没有工作。

登录置评。

Roushanak哈吉Hassani 2018年10月1日

0
链接

直接链接到这个答案

//www.tatmou.com/matlabcentral/answers/376150-svm-model-not-working-properly-on-test-data answer_339233

编辑:Roushanak哈吉Hassani 2018年10月1日

我这里有附加训练数据集和测试。的第一列火车数据集是标签和其他提取特征。我申请了线性SVM分类器,我在训练数据得到了92.5%的准确率。但当我在应用测试数据结果是不好的。我将感激如果你数据有什么问题,请让我知道。

4评论
显示隐藏 3年长的评论

Bernhard Suhm 2018年10月3日

谢谢你！你的训练数据集实际上是一个结构,包含了所有的东西,包括一些听起来像你的训练集和测试集,和一个分类树,但是它有点混乱。我推断你的数据集有6612个观察和11特性,也许还有一个161的观察(目前贴上的训练数据集,前者更大的集标签测试数据集,这就是搞砸了)。也许你开始44特性和冷凝下来到11,不确定,你的结构混乱。也行你的一些元素,其他列为主的,所以肯定会混淆这适合和/或预测功能。

我所做的是否你可以训练一个合理的模型利用这些数据:

1。把你的6612的观察和11特性的矩阵

2。添加标签,所以你有一个表的特性,和最后一列的标签(这就是大多数MATLAB函数期望)

3所示。加载到分类学习和训练模式。一个分类树得到一个很好的验证准确性97%,而支持向量机只有80%。没有深入挖掘如何改进。

4所示。双重验证该模型可以合理地预测了测试数据,我伸出632观察设置为独立的测试集,重新加载观测到分类学习者,剩下的5980训练有素的一棵树,导出的那棵树,然后用预测来生成预测的测试数据。取得了84%的准确率,并预测所有的6个标签。这都是有意义的。

Warid伊斯兰教 2020年6月19日

嗨@Bernhard,

我已经训练数据集使用SVM分类学习者应用。我想测试模型在测试集,请找到我的代码如下:

                                  函数[trainedClassifier, validationAccuracy] = trainClassifier (trainingData)
                                 
                                  % (trainedClassifier validationAccuracy] = trainClassifier (trainingData)
                                 
                                  %返回一个训练分类器,其准确性。这段代码再现了
                                 
                                  %分类模型在分类学习者应用。使用训练
                                 
                                  %生成的代码自动化培训与新数据相同的模型,或
                                 
                                  %学习如何编程训练模型。
                                 
                                  %
                                 
                                  %的输入:
                                 
                                  % trainingData:这个表包含相同的预测和响应
                                 
                                  %列导入到应用程序。
                                 
                                  %
                                 
                                  %输出:
                                 
                                  % trainedClassifier:包含训练分类器的结构。的
                                 
                                  %结构包含各个领域的信息培训
                                 
                                  %分类器。
                                 
                                  %
                                 
                                  % trainedClassifier。新predictFcn:一个函数进行预测
                                 
                                  %的数据。
                                 
                                  %
                                 
                                  % validationAccuracy:双包含百分比的准确性。在
                                 
                                  %的应用、历史列表显示整体准确度得分
                                 
                                  %每个模型。
                                 
                                  %
                                 
                                  %使用代码来训练模型的新数据。再培训你
                                 
                                  %分类器,从命令行调用该函数与原始
                                 
                                  %数据或trainingData新数据作为输入参数。
                                 
                                  %
                                 
                                  %为例,训练一个分类器训练与原数据集
                                 
                                  % T,输入:
                                 
                                  % (trainedClassifier validationAccuracy] = trainClassifier (T)
                                 
                                  %
                                 
                                  %与返回的“trainedClassifier”作出预测新数据T2,
                                 
                                  %使用
                                 
                                  % yfit = trainedClassifier.predictFcn (T2)
                                 
                                  %
                                 
                                  % T2必须包含至少一个表列预测一样使用
                                 
                                  %在训练。详情,请输入:
                                 
                                  % trainedClassifier.HowToPredict
                                 
                                  截止2020年6月17日%自动生成由MATLAB 20:37:59
                                 
                                  %提取预测和响应
                                 
                                  %这段代码处理数据为训练成正确的形状
                                 
                                  %的模型。
                                 
                                  inputTable = trainingData;
                                 
                                  predictorNames = {“autoc”,的来讲,“corrm”,“corrp”,“cprom”,“cshad”,“dissi”,“energ”,“entro”,“homom”,“homop”,“maxpr”,“sosvh”,“savgh”,“svarh”,“senth”,“dvarh”,“denth”,“inf1h”,“inf2h”,“indnc”,“idmnc”};
                                 
                                  预测= inputTable (:, predictorNames);
                                 
                                  响应= inputTable.ClassLabel;
                                 
                                  isCategoricalPredictor =[假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的);
                                 
                                  %训练分类器
                                 
                                  %这段代码指定所有的分类器的选择和训练分类器。
                                 
                                  classificationSVM = fitcsvm (…
                                 
                                  预测,…
                                 
                                  的反应,…
                                 
                                  “KernelFunction”,“线性”,…
                                 
                                  “PolynomialOrder”[],…
                                 
                                  “KernelScale”,“汽车”,…
                                 
                                  “BoxConstraint”, 1…
                                 
                                  “标准化”,真的,…
                                 
                                  “类名”,(1;2);
                                 
                                  %创建结果结构预测函数
                                 
                                  predictorExtractionFcn = @ t (t) (:, predictorNames);
                                 
                                  svmPredictFcn = @ (x)预测(classificationSVM x);
                                 
                                  trainedClassifier。predictFcn = @ (x) svmPredictFcn (predictorExtractionFcn (x));
                                 
                                  %添加额外的字段结构的结果
                                 
                                  trainedClassifier。RequiredVariables = {“autoc”,的来讲,“corrm”,“corrp”,“cprom”,“cshad”,“denth”,“dissi”,“dvarh”,“energ”,“entro”,“homom”,“homop”,“idmnc”,“indnc”,“inf1h”,“inf2h”,“maxpr”,“savgh”,“senth”,“sosvh”,“svarh”};
                                 
                                  trainedClassifier。分类SVM = classificationSVM;
                                 
                                  trainedClassifier。约=这个结构是一个训练有素的模型从分类学习者R2019a出口。”;
                                 
                                  trainedClassifier。HowToPredict = sprintf (“新表进行预测,T,用途:\ n yfit = c.predictFcn (T) \ nreplacing“c”这个结构体变量的名称,如“trainedModel”。\ n \ nThe表、T必须包含返回的变量:\ n c。RequiredVariables \ nVariable格式(如矩阵或向量,数据类型)必须匹配最初的训练数据。\ nAdditional变量将被忽略。\ n \ nFor更多信息,请参见< a href = " matlab: helpview (fullfile (docroot,“统计”,“stats.map”),“appclassification_exportmodeltoworkspace”)”>如何使用一个导出的模型预测< / >。);
                                 
                                  %提取预测和响应
                                 
                                  %这段代码处理数据为训练成正确的形状
                                 
                                  %的模型。
                                 
                                  inputTable = trainingData;
                                 
                                  predictorNames = {“autoc”,的来讲,“corrm”,“corrp”,“cprom”,“cshad”,“dissi”,“energ”,“entro”,“homom”,“homop”,“maxpr”,“sosvh”,“savgh”,“svarh”,“senth”,“dvarh”,“denth”,“inf1h”,“inf2h”,“indnc”,“idmnc”};
                                 
                                  预测= inputTable (:, predictorNames);
                                 
                                  响应= inputTable.ClassLabel;
                                 
                                  isCategoricalPredictor =[假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的,假的);
                                 
                                  %进行交叉验证
                                 
                                  partitionedModel = crossval (trainedClassifier.ClassificationSVM,“KFold”5);
                                 
                                  %计算验证预测
                                 
                                  [validationPredictions, validationScores] = kfoldPredict (partitionedModel);
                                 
                                  %计算精度验证
                                 
                                  validationAccuracy = 1 - kfoldLoss (partitionedModel“LossFun”,“ClassifError”)

我救了trainClassifier上面的代码。我用下面的代码进行测试

yFit = trainClassifier.predictFcn (statsArray1);

但我得到以下错误消息。

                                  未定义的变量“trainClassifier”或类“trainClassifier.predictFcn”。
                                 

statsArray1是测试数据的类是一个我想预测。它实际上是一组特性从一个测试图像中提取和我想预测图像是良性的还是恶性的。任何帮助将不胜感激。谢谢你！

G.N. Cobbold 2020年12月14日

嗨瓦萨

你解决问题了吗?我有一个类似的问题

登录置评。

在回答这个问题。

类别

人工智能,数据科学和统计数据统计和机器学习工具分类分类学习者应用

找到更多的在分类学习者应用在帮助中心和文件交换

下载188bet金宝搏

统计和机器学习工具

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!

支持向量机模型测试数据不正常工作

1评论 显示隐藏 None

答案(3)

0评论 显示隐藏1以上的评论

1评论 显示隐藏 None

4评论 显示隐藏 3年长的评论

另请参阅

类别

标签

下载188bet金宝搏

社区寻宝

1评论
显示隐藏 None

0评论
显示隐藏1以上的评论

1评论
显示隐藏 None

4评论
显示隐藏 3年长的评论