关于使用libsvm进行分类的几个问题在使用libsvm进行分类时，碰到以下几个问题，求高手指点：
（1）在进行多类分类时，由于libsvm用的是1-v-1方法，但是一般一个样本有很多属性，就拿葡萄酒的样本来说，它是一个三类问题，每个样本有13个属性，那么其训练预测过程是什么呢？训练过程是先对样本的同一属性使用1-v-1方法，进行训练，得到一组支持向量和相应模型，然后呢？其它的12个属性是怎么加入训练过程的？预测时，也是先对所有样本的第一个属性使用训练好的1-v-1模型进行投票决策，接下来呢？其他的12个属性也是使用同样的方法吗？最终的决策是怎样得出的？ （2）有没有函数命令直接求得对每类的投票所得的票数？ （3）在使用葡萄酒数据分类时，使用预测函数 [predicted_label, accuracy, decision_values/prob_estimates] = svmpredict(test_label, test_matrix, model, ['libsvm_options']); ，其中的 decision_values/prob_estimates是决策函数f(x)=(w,x)+b的值吗？对于两分类问题，它是nx1维的矩阵，对于红酒的三类问题，它为什么是89x3维的矩阵？ （4）对于葡萄酒数据，训练出的model是： Parameters: [5x1 double] nr_class: 3 totalSV: 89 rho: [3x1 double] Label: [3x1 double] ProbA: [] ProbB: [] nSV: [3x1 double] sv_coef: [89x2 double] SVs: [89x13 double] 系数w，也就是model中的sv_coef怎么成了89x2 维的矩阵了，这个怎么理解？还有SVs到底代表什么？ （5）如果想使用Platt模型p=1/(1+exp(Af+B)) 求模型的概率输出，其中的参数A和B怎么求得？ [ 本帖最后由 xffxff 于 2010-4-28 11:24 编辑 ] |
|
|
