【发布时间】：2019-01-31 20:07:45
【问题描述】：
我有多个数据集，即 x y 数据，每个数据集代表同一个类，我还有其他 2 个类的多个数据集。
我需要对合并的 x y 数据进行训练，还是需要为每个数据集调用训练函数，注意每个数据集是同一类？每个类类型都有多个数据集。
第 1 类有 150 x y 数据集，第 2 类有 68 个数据集，第 3 类有 55 个数据集。如何在 matlab 中训练支持向量机 (SVM)？
【问题讨论】：
标签： matlab
【发布时间】：2019-01-31 20:07:45
【问题描述】：
据我了解您的项目，您希望在包含 3 个不同类的数据集上训练分类器。
通常，您希望使用您希望网络学习的类来标记您的数据，这样它就可以在训练中检查在“猜测”之后它仍然偏离解决方案的程度，以便它可以优化下一次迭代的权重。
您还希望将您的数据集拆分为一个训练集，用于学习，以及两个具有不同数据的部分，网络还不“知道”，并将提供一个很好的参考。 这两个是一个验证集，用于在训练期间进行额外的验证，另一个是一个测试集，用于在训练后测试准确性。
可以这样进行：
在 4D 矩阵
A中累积训练数据，其中第一个二维是您的x和y的值，第三个维度是 XY 矩阵的索引。你可以使用A = horzconcat(x,y)使用第 4 个维度根据您的班级标记您的数据。在你的情况下，在前 150 个元素中写 1，在后面的 68 中写 2，在最后 55 中写 3
随机播放您的标记数据集。你可以使用
randperm创建一个随机索引，然后遍历集合将数据集拆分为训练、验证和测试部分。 （通常60%、20%、20%是合理的）
将这些集合分别拆分为一个包含您的训练数据的 3D X 矩阵和一个包含每个训练数据的解的 Y 向量。
-
在您的训练选项中，使用您的验证部分指定您的验证数据，例如：
training_options = trainingOptions ... ('sgdm', ... 'Verbose', 1 ,... 'VerboseFrequency' , 20, ... 'MaxEpochs', 30, ... 'MiniBatchSize', 128, ... 'Shuffle', 'every-epoch', ... **'ValidationData', {X_validate, categorical(Y_validate)},...** 'ValidationFrequency', 20, ... 'ValidationPatience', 5, ... 'InitialLearnRate', 0.001, ... 'L2Regularization', 0, ... 'Momentum', 0, ... 'ExecutionEnvironment', 'cpu', ... 'Plots','training-progress'); -
训练你的神经网络 Matlab 对象
[nn, nn_info] = trainNetwork(X_train, categorical(Y_train), ... layers, training_options); -
检索训练网络的准确率：
acurracy = sum(Y_test_predictions == categorical(Y_test) )/ ... size(Y_test, 1)
我将此方法应用于卷积网络，效果很好。 希望这会有所帮助，
一切顺利， 西蒙
【讨论】：
-
谢谢，我有点困惑我实际上有 150 个带有 xy 数据的文本文件，表示第 1 类，还有 68 个带有 xy 数据的文本文件，表示第 2 类，最后有 55 个带有 xy 数据的文本文件表示第 3 类。我是否需要合并数据？
-
合并数据只是为了在洗牌时不会失去 X 和 Y 文件的关系。您是否已经标记了您的数据集，或者它只是原始数据？如果第二个是真的，请按照我发布的指南进行操作
-
在任何情况下，您都必须合并您的数据，因此您的训练、验证和测试集中都有代表所有三个类。
-
A = horzconcat(x,y) 你有理由为你的解决方案这样做吗？
-
我用 horzcat 从你的三个类中制作了一个大矩阵。这使您可以在标记整个训练集后对其进行打乱，为每个矩阵保留相应的标签，并在创建训练、验证和测试集时为每个类提供训练数据