我正在使用 PCA 和 SVM 进行人脸识别。在 matlab 中使用 libSVM 实现 SVM。我正在尝试实施一对一分类。我有三个问题。
首先： 我在第 1 类（第 1 面）中有 10 张图片，那么第 2 类应该有 60 张图片（6 张面孔中的每张有 10 张图片）？
第二： 准确性是否取决于我在两个课程中拍摄的图像数量？如果是，那么 由于第二类中的大量图像，准确率能否达到 100%（高得不合理）？
第三： 可以使用单张图片进行测试吗？
任何帮助将不胜感激。
【问题讨论】：
标签： matlab machine-learning artificial-intelligence libsvm
你在问三个问题：
(1) 编辑： 是的，正如您在 cmets 中解释的那样。如果你有 7 个类，你将训练 7 个分类器。对于每个分类器 i，您将针对个体 i 的正类图像和所有其他个体的负类图像进行训练。
您所描述的称为one-vs-all分类，它是使用基本二元分类器（例如SVM）进行多类分类的常用方法。我还要补充一点，还有其他方法用于将二元分类器扩展到多类分类，例如一对一和纠错锦标赛。
编辑#2： 让我补充一点，一对一的分类已经在 LIBSVM 中实现了，你真的不需要做任何特别的事情。您需要做的就是为训练数据中的每个类添加不同的双精度数（这样您就可以使用类 0、1、... 7）。
如果您真的想要一对一（也称为一对一），您也可以使用它。由于您似乎使用的是 MATLAB，因此有代码（它不是直接在 LIBSVM 中实现），但 LIBSVM 的作者提供了代码来实现它：direct link to FAQs
(2) 准确度取决于图像的数量。在理想条件下，您将拥有许多所有人的图像来训练。但是您可能会遇到诸如数据集不平衡之类的情况，例如，如果您使用一百万张 x 类图像和 2 个 y 类图像和 2 个 z 类图像进行训练，您将遇到问题，因为您的分类器得到一个类 x 比其他两个类更详细的视图。要进行评估，您将需要一个完整的混淆矩阵（即，对于每对类，有多少类 x 的真实对象被分类为类 y，有多少类 y 的真实对象被分类为类 x 等等）。
(3) 可以。
编辑#3：
从 LIBSVM 的作者的 cmets 看来，一对一的准确率与一对一的准确率相似，不同之处在于训练一对一的速度更快，这就是他们在系统中实现一对一的原因。
要使用 LIBSVM 训练多类模型，您可以使用 svmtrain 并仅调用一次。第 1 类是个体 1 的图像，第 2 类是个体 2 的图像，... 第 7 类是个体 7 的图像。
要进行预测，在训练模型后，您将使用 svmpredict
【讨论】：