为什么与 trainImage​CategoryCl​assifier()​相比，使用 fitcecoc() 时的准确度要低得多？

Question

我正在尝试使用词袋和 fitcecoc()（多类 SVM）来重现与使用图像类别分类器获得的结果相似的结果 as seen in the documentation.

% Code from documentation
bag = bagOfFeatures(trainingSet); % create bag of features from trainingSet (an image datastore)
categoryClassifier = trainImageCategoryClassifier(trainingSet, bag);
confMatrix = evaluate(categoryClassifier, validationSet);

这会在验证集上返回约 98% 的准确度。

但是，当我将视觉单词出现的直方图传递给多类 SVM 分类器时，它的准确率约为 2.5%。

SVM_SURF = fitcecoc(trainFeatures,trainingSet.Labels);
bag = bagOfFeatures(validationSet);
featureMatrix = encode(bag, validationSet); % histogram of visual word occurrences
[pred score cost] = predict(SVM_SURF, featureMatrix)
accuracy = sum(validationSet.Labels == pred)/size(validationSet.Labels,1);
accuracy

当词袋传递给 fitcecoc() 而不是 trainImageCategoryClassifier() 时，为什么准确率会低很多？

Answer 1

fitcecoc 分类器是一个多用途（图像、财务数据、...`）分类器。通过配置内核，您可以获得更好的准确率。但是，传统上，如果您增加训练数据，fitcecoc 函数会提供更好的结果。