如何提高Matlab中SVM訓練和分類的准確性？

Question

我正在接受幾個圖像的svm培訓。 這是我的第一個SVM項目。 我正在使用HOG特征提取來提取特征。 訓練功能並在地平線上標記其位置1，如果在背景上則標記0。 我有74張用於訓練的圖像和7張用於測試的圖像。 不幸的是，我不能超過50％的准確率。 我已經改變了圖像大小，我在特征提取中玩過單元格大小。 它沒有那么大的變化。 我該怎么辦？ 什么是理想的數據集編號，培訓和測試的圖像數量是多少？ 例如，在一個圖像中，它預測下一個圖像中的所有正確都是錯誤的。

這就是我計算准確性的方法;

%%%%% Evaluation
% Testing Data
hfsTest = vertcat(dataset.HorizonFeatsTest{:});
bfsTest = vertcat(dataset.BgFeatsTest{:});
test_data = [hfsTest;bfsTest];
% Labels
hlabelTest = ones(size(hfsTest,1),1);
blabelTest = zeros(size(bfsTest,1),1);
test_label = [hlabelTest;blabelTest];

Predict_label = vertcat(results.predicted_label{:});

acc = numel(find(Predict_label==test_label))/length(test_label);
disp(['Accuracy ', num2str(acc)]);
%done

% Training Data
hfs = vertcat(dataset.HorizonFeats{:});
bfs = vertcat(dataset.BgFeats{:});
train_data = [hfs;bfs];
% Labels
hlabel = ones(size(hfs,1),1);
blabel = zeros(size(bfs,1),1);
train_label = [hlabel;blabel];

%%%
% do training ...
svmModel = svmtrain(train_data, train_label,'BoxConstraint',2e-1);

我使用了Predict_label_image = svmclassify（svmModel，image_feats）; 供測試用。

Answer 1

你需要做很多調整。 在文檔中，您可以使用所有超參數。 我將從一個rbf內核開始，為BoxConstraint嘗試[0.01,0.1,1,10]。

如果你不嘗試不同的超參數配置，我擔心你不能指望svm工作。