无法正确分类特征

Question

我正在关注此页面上的示例：Example of 10-fold SVM classification in MATLAB。

基本上，我正在按照示例执行我的分类。我面临的问题是 pred 总是积极的。它无法检测到负数据。

clear all;
clc;
load('C:\Users\HP\Documents\MATLAB\TrainLabel');
load('C:\Users\HP\Documents\MATLAB\TrainVec');
cvFolds = crossvalind('Kfold', TrainLabel, 10);  
cp = classperf(TrainLabel);   
for i = 1:10                                   
    testIdx = (cvFolds == i);                   
    trainIdx = ~testIdx;                             
%     Model = svmtrain(TrainVec(trainIdx,:), TrainLabel(trainIdx),'showplot',true); 
    Model = svmtrain(TrainVec(trainIdx,:), TrainLabel(trainIdx), ...              
     'Autoscale',true, 'Showplot',false, 'Method','QP', ...              
     'BoxConstraint',2e-1, 'Kernel_Function','rbf', 'RBF_Sigma',1);
    pred = svmclassify(Model, TrainVec(testIdx,:),'Showplot',false);      
    cp = classperf(cp, pred, testIdx);
end 
cp.CorrectRate 
cp.CountingMatrix 

pred 的值为 [1;1;1;1;1;1]，但我的正确率是 0.65(65%)，TrainLabel 是 ，TrainVec 是 。

另外两个qns：

1. TrainLabel 的值必须是 0 和 1 吗？是-1还是1可以吗

2. TrainVec 使得图像中的每个特征都放置在一行中。下一张图像中的特征放置在下一行。它是否正确？还是必须将每个功能放在不同的列中？

在这方面需要一些帮助...谢谢

Answer 1

你只需要很多功能。

您正在尝试仅使用 60 个训练点来找到一个分离的 5899 维超平面。由于Curse of dimensionality（又名休斯效应），这根本行不通。

您需要先提取相关特征，然后只处理这些特征。这称为Feature Extraction。

这样做的一个简单方法是使用pcacov 使用Principle Component Analysis 转换您的数据，然后只保留一定的分数（使用第三个，EXPLAINED 结果来保持k PC 解释一定的方差水平， 98%）。这将缩短您的问题的维度，并很有可能改善您的结果。

请记住转换所有您的数据，而不仅仅是训练集。

除此之外，您的方法对我来说似乎是正确的。不同的样本位于不同的行中，它们的特征跨越列。

标签向量可以是任何你想要的：

Y 是一个分组变量，即它可以是一个 分类、数字或逻辑向量；字符串的单元向量；或一个 每行代表一个类标签的字符矩阵（请参阅帮助 分组变量）

Answer 2

将值缩放到 0 到 1 之间。这将解决问题