[英]Probability estimate for multi class classification in libsvm for matlab
[英]libsvm output prediction probability for multi-label classification
我正在嘗試使用libsvm(使用Matlab接口)來運行一些多標簽分類問題。 以下是使用IRIS數據的一些玩具問題:
load fisheriris;
featuresTraining = [meas(1:30,:); meas(51:80,:); meas(101:130,:)];
featureSelectedTraining = featuresTraining(:,1:3);
groundTruthGroupTraining = [species(1:30,:); species(51:80,:); species(101:130,:)];
[~, ~, groundTruthGroupNumTraining] = unique(groundTruthGroupTraining);
featuresTesting = [meas(31:50,:); meas(81:100,:); meas(131:150,:)];
featureSelectedTesting = featuresTesting(:,1:3);
groundTruthGroupTesting = [species(31:50,:); species(81:100,:); species(131:150,:)];
[~, ~, groundTruthGroupNumTesting] = unique(groundTruthGroupTesting);
% Train the classifier
optsStruct = ['-c ', num2str(2), ' -g ', num2str(4), '-b ', 1];
SVMClassifierObject = svmtrain(groundTruthGroupNumTraining, featureSelectedTraining, optsStruct);
optsStruct = ['-b ', 1];
[predLabelTesting, predictAccuracyTesting, ...
predictScoresTesting] = svmpredict(groundTruthGroupNumTesting, featureSelectedTesting, SVMClassifierObject, optsStruct);
但是,對於我得到的預測概率(這里顯示的前12行結果)
1.08812899093155 1.09025554950852 -0.0140009056912001
0.948911671379753 0.947899227815959 -0.0140009056926024
0.521486301840914 0.509673405799383 -0.0140009056926027
0.914684487894784 0.912534150299246 -0.0140009056926027
1.17426551505833 1.17855350325579 -0.0140009056925103
0.567801459258613 0.557077025701113 -0.0140009056926027
0.506405203427106 0.494342606399178 -0.0140009056926027
0.930191457490471 0.928343421250020 -0.0140009056926027
1.16990617214906 1.17412523596840 -0.0140009056926026
1.16558843984163 1.16986137054312 -0.0140009056926015
0.879648874624610 0.876614924593740 -0.0140009056926027
-0.151223818963057 -0.179682730685229 -0.0140009056925999
我很困惑,一些概率是如何大於1而其中一些是否定的?
但是,預測的標簽似乎非常准確:
1
1
1
1
1
1
1
1
1
1
1
3
最終輸出
Accuracy = 93.3333% (56/60) (classification)
那么如何解釋預測概率的結果呢? 非常感謝。 一種。
svm的輸出不是概率!
分數的符號表示它是屬於A類還是B類。如果分數為1或-1,則它位於邊緣,盡管知道這一點並不特別有用。
如果您確實需要概率,可以使用Platt縮放來轉換它們。 你基本上應用sigmoid函數。
我知道這個答案可能為時已晚,但它可能會讓人們遇到同樣的問題。
libsvm
實際上可以產生概率,使用選項'-b'。
我認為你犯的錯誤在於你定義optsStruct
變量的方式。 應該這樣定義: ['-b ' num2str(1)]
或['-b 1']
。
這同樣適用於發送到svmtrain
的選項。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.