如何在 Matlab 中提高 SVM 训练和分类的准确性？

Question

我正在使用多张图像进行 svm 训练。这是我的第一个 SVM 项目。我正在使用 HOG 特征提取来提取特征。训练特征并标记它们的位置 1 如果它在地平线上，0 如果它在背景上。我有 74 张图像用于训练和 7 张图像用于测试。不幸的是，我的准确率不能超过 50%。我改变了图像大小，我在特征提取中播放了单元格大小。它并没有太大变化。我可以尝试什么？理想的数据集数量是多少，有多少张图像用于训练和测试？例如，在一张图像中它预测所有正确的图像在下一张图像中都是错误的。

这就是我计算准确性的方式；

%%%%% 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);供测试用。

Answer 1

你需要做很多调整。在documentation 中，您拥有所有可以使用的超参数。我将从 rbf 内核开始，并尝试使用 [0.01, 0.1, 1, 10] 作为 BoxConstraint。

如果你不尝试不同的超参数配置，恐怕你不能指望 svm 工作。