libsvm中的多类分类

Question

我正在使用libsvm,我必须实现多类的分类,而不是全部.

我该怎么做？2011版本
是否libsvm使用此功能？

---

我认为我的问题不是很清楚.如果libsvm没有自动使用one,那么我将为每个类使用一个svm,否则我如何在svmtrain函数中定义这个参数.我读过libsvm的自述文件.

Answer 1

根据官方libsvm 文档(第7节):

LIBSVM实现了用于多类分类的"一对一"方法.如果k是类的数量,则k(k-1)/2 构造分类器并且每个分类器训练来自两个类的数据.

在分类中,我们使用投票策略:每个二元分类被认为是投票,其中可以为所有数据点x投票 - 最后,一个点被指定为具有最大投票数的类.

在一对一的方法中,我们构建了与类一样多的二元分类器,每个类都训练将一个类与其余类分开.为了预测新实例,我们选择具有最大决策函数值的分类器.

正如我之前提到的,我们的想法是训练kSVM模型,每个模型将一个类别与其余类别分开.一旦我们有了这些二元分类器,我们就会使用概率输出(-b 1选项)通过选择具有最高概率的类来预测新实例.

请考虑以下示例:

%# Fisher Iris dataset
load fisheriris
[~,~,labels] = unique(species);   %# labels: 1/2/3
data = zscore(meas);              %# scale features
numInst = size(data,1);
numLabels = max(labels);

%# split training/testing
idx = randperm(numInst);
numTrain = 100; numTest = numInst - numTrain;
trainData = data(idx(1:numTrain),:);  testData = data(idx(numTrain+1:end),:);
trainLabel = labels(idx(1:numTrain)); testLabel = labels(idx(numTrain+1:end));

以下是我对多类SVM的一对一方法的实现:

%# train one-against-all models
model = cell(numLabels,1);
for k=1:numLabels
    model{k} = svmtrain(double(trainLabel==k), trainData, '-c 1 -g 0.2 -b 1');
end

%# get probability estimates of test instances using each model
prob = zeros(numTest,numLabels);
for k=1:numLabels
    [~,~,p] = svmpredict(double(testLabel==k), testData, model{k}, '-b 1');
    prob(:,k) = p(:,model{k}.Label==1);    %# probability of class==k
end

%# predict the class with the highest probability
[~,pred] = max(prob,[],2);
acc = sum(pred == testLabel) ./ numel(testLabel)    %# accuracy
C = confusionmat(testLabel, pred)                   %# confusion matrix