libsvm中的多类分类
我正在使用libsvm ，我必须实现一个对所有的多类的分类。
我该怎么做？
libsvm版本2011是否使用这个？
我觉得我的问题不是很清楚。 如果libsvm不自动使用一个对所有，我将使用一个svm每个类，否则我怎么能定义这个参数在svmtrain函数。 我已经阅读了libsvm的README。
根据官方的libsvm 文档 （第7节）：
LIBSVM实现了多级分类的“一对一”方法。 如果
k是类的数量，则构造k(k-1)/2分类器，并且每个分类器训练来自两个类的数据。在分类中，我们使用投票策略：每个二元分类被认为是一个投票，其中所有数据点都可以投票x – 最后一个点被指定为最大投票数。
在一对一的方法中，我们构build了与分类一样多的二元分类器，每个分类器都训练成从一个类中分离出一个类。 为了预测新的实例，我们select具有最大决策函数值的分类器。
正如我之前提到的，这个想法是训练k SVM模型，每个模型从其余的一个类别中分离出来。 一旦我们有了这些二元分类器，我们使用概率输出（ -b 1选项）通过挑选具有最高概率的类来预测新的实例。
考虑下面的例子：
%# Fisher Iris dataset load fisheriris [~,~,labels] = unique(species); %# labels: 1/2/3 data = zscore(meas); %# scale features numInst = size(data,1); numLabels = max(labels); %# split training/testing idx = randperm(numInst); numTrain = 100; numTest = numInst - numTrain; trainData = data(idx(1:numTrain),:); testData = data(idx(numTrain+1:end),:); trainLabel = labels(idx(1:numTrain)); testLabel = labels(idx(numTrain+1:end));
以下是针对多类SVM的一对一方法的实现：
%# train one-against-all models model = cell(numLabels,1); for k=1:numLabels model{k} = svmtrain(double(trainLabel==k), trainData, '-c 1 -g 0.2 -b 1'); end %# get probability estimates of test instances using each model prob = zeros(numTest,numLabels); for k=1:numLabels [~,~,p] = svmpredict(double(testLabel==k), testData, model{k}, '-b 1'); prob(:,k) = p(:,model{k}.Label==1); %# probability of class==k end %# predict the class with the highest probability [~,pred] = max(prob,[],2); acc = sum(pred == testLabel) ./ numel(testLabel) %# accuracy C = confusionmat(testLabel, pred) %# confusion matrix
