LibLinear(SVM包)使用说明之(三)实践

LibLinear(SVM包)使用说明之(三)实践

zouxy09@qq.com

http://blog.csdn.net/zouxy09

我们在UFLDL的教程中,Exercise: Convolution and Pooling这一章节,已经得到了cnnPooledFeatures.mat特征。在该练习中,我们使用的是softmax分类器来分类的。在这里我们修改为用SVM来替代softmax分类器。SVM由Liblinear软件包来提供。这里是四分类问题,所以Liblinear会根据我们传入的训练样本训练四个二分类器,以实现四分类。以前由softmax分类器得到的准确率是80.406%。在这里换成Liblinear后,准确率变为80.75%。在这里差别不是很大。

在本文的例子中,我们增加了scale和Cross Validation,Cross Validation是用来选择一个最好的参数C的(不知道自己这两个步骤有没有正确,如有错误,还望大家提醒,谢谢)。

具体的代码如下:

  1. %// Classification by LibLinear
  2. %// LibLinear: http://www.csie.ntu.edu.tw/~cjlin/liblinear/
  3. %// Author : zouxy
  4. %// Date   : 2013-9-2
  5. %// HomePage : http://blog.csdn.net/zouxy09
  6. %// Email  : zouxy09@qq.com
  7. clear; clc;
  8. %%% step1: load data
  9. fprintf(1,'step1: Load data...\n');
  10. % pooledFeaturesTrain大小为400*2000*3*3
  11. % pooledFeaturesTest大小为400*3200*3*3
  12. % 第一维是特征个数,也就是特征图个数,第二维是样本个数,第三维是特征图的宽,
  13. % 第四维是特征图的高
  14. load cnnPooledFeatures.mat;
  15. load stlTrainSubset.mat % loads numTrainImages, trainImages, trainLabels
  16. load stlTestSubset.mat  % loads numTestImages,  testImages,  testLabels
  17. % B = permute(A,order) 按照向量order指定的顺序重排A的各维
  18. train_X = permute(pooledFeaturesTrain, [1 3 4 2]);
  19. % 将每个样本的特征拉成一个列向量,每个样本一个列,矩阵大小为3600*2000
  20. train_X = reshape(train_X, numel(pooledFeaturesTrain) / numTrainImages, numTrainImages);
  21. train_Y = trainLabels; % 2000*1
  22. test_X = permute(pooledFeaturesTest, [1 3 4 2]);
  23. test_X = reshape(test_X, numel(pooledFeaturesTest) / numTestImages, numTestImages);
  24. test_Y = testLabels;
  25. % release some memory
  26. clear trainImages testImages pooledFeaturesTrain pooledFeaturesTest;
  27. %%% step2: scale the data
  28. fprintf(1,'step2: Scale data...\n');
  29. % Using the same scaling factors for training and testing sets,
  30. % we obtain much better accuracy. Note: scale each attribute(feature), not sample
  31. % scale to [0 1]
  32. % when a is a vector, b = (a - min(a)) .* (upper - lower) ./ (max(a)-min(a)) + lower
  33. lower = 0;
  34. upper = 1.0;
  35. train_X = train_X';
  36. X_max = max(train_X);
  37. X_min = min(train_X);
  38. train_X = (train_X - repmat(X_min, size(train_X, 1), 1)) .* (upper - lower) ...
  39. ./ repmat((X_max - X_min), size(train_X, 1), 1) + lower;
  40. test_X = test_X';
  41. test_X = (test_X - repmat(X_min, size(test_X, 1), 1)) .* (upper - lower) ...
  42. ./ repmat((X_max - X_min), size(test_X, 1), 1) + lower;
  43. % Note: before scale the accuracy is 80.4688%, after scale it turns to 80.1875%,
  44. % and took more time. So is that my scale operation wrong or other reasons?
  45. % After adding bias, Accuracy = 80.75% (2584/3200)
  46. %%% step3: Cross Validation for choosing parameter
  47. fprintf(1,'step3: Cross Validation for choosing parameter c...\n');
  48. % the larger c is, more time should be costed
  49. c = [2^-6 2^-5 2^-4 2^-3 2^-2 2^-1 2^0 2^1 2^2 2^3];
  50. max_acc = 0;
  51. tic;
  52. for i = 1 : size(c, 2)
  53. option = ['-B 1 -c ' num2str(c(i)) ' -v 5 -q'];
  54. fprintf(1,'Stage: %d/%d: c = %d, ', i, size(c, 2), c(i));
  55. accuracy = train(train_Y, sparse(train_X), option);
  56. if accuracy > max_acc
  57. max_acc = accuracy;
  58. best_c = i;
  59. end
  60. end
  61. fprintf(1,'The best c is c = %d.\n', c(best_c));
  62. toc;
  63. %%% step4: train the model
  64. fprintf(1,'step4: Training...\n');
  65. tic;
  66. option = ['-c ' num2str(c(best_c)) ' -B 1 -e 0.001'];
  67. model = train(train_Y, sparse(train_X), option);
  68. toc;
  69. %%% step5: test the model
  70. fprintf(1,'step5: Testing...\n');
  71. tic;
  72. [predict_label, accuracy, dec_values] = predict(test_Y, sparse(test_X), model);
  73. toc;

LibLinear(SVM包)使用说明之(三)实践的更多相关文章

  1. LibLinear(SVM包)使用说明之(一)README

    转自:http://blog.csdn.net/zouxy09/article/details/10947323/ LibLinear(SVM包)使用说明之(一)README zouxy09@qq.c ...

  2. LibLinear(SVM包)使用说明之(二)MATLAB接口

    LibLinear(SVM包)使用说明之(二)MATLAB接口 LibLinear(SVM包)使用说明之(二)MATLAB接口 zouxy09@qq.com http://blog.csdn.net/ ...

  3. LibLinear(SVM包)的MATLAB安装

    LibLinear(SVM包)的MATLAB安装 1 LIBSVM介绍 LIBSVM是众所周知的支持向量机分类工具包(一些支持向量机(SVM)的开源代码库的链接及其简介),运用方便简单,其中的核函数( ...

  4. Maven中解决jar包冲突的三种方式

    首先我们在idea中创建一个maven工程,我们只关注pom.xml以及External Libraries中导入的jar包 导入spring-beans.jar <dependency> ...

  5. 使用 tcpdump 抓包分析 TCP 三次握手、四次挥手与 TCP 状态转移

    目录 文章目录 目录 前文列表 TCP 协议 图示三次握手与四次挥手 抓包结果 抓包分析 TCP 三次握手 数据传输 四次挥手 TCP 端口状态转移 状态转移 前文列表 <常用 tcpdump ...

  6. Wireshark抓包分析TCP“三次握手,四次挥手”

    1.目的 客户端与服务器之间建立TCP/IP连接,我们知道是通过三次握手,四次挥手实现的,但是很多地方对这个知识的描述仅限于理论层面,这次我们通过网络抓包的方式来看一下实际的TCP/IP传输过程. 2 ...

  7. 用wireshark抓包分析TCP三次握手、四次挥手以及TCP实现可靠传输的机制

    关于TCP三次握手和四次挥手大家都在<计算机网络>课程里学过,还记得当时高超老师耐心地讲解.大学里我遇到的最好的老师大概就是这位了,虽然他只给我讲过<java程序设计>和< ...

  8. 基于IPv6的数据包分析(第三组)

    一.实验拓扑 二.配置过程 本处提供R1.R2.R4的详细配置过程(包含静态路由的配置) 1)      R1: R1(config)#int e1/0 R1(config-if)#ipv6 addr ...

  9. Java网络编程学习A轮_02_抓包分析TCP三次握手过程

    参考资料: https://huoding.com/2013/11/21/299 https://hpbn.co/building-blocks-of-tcp/#three-way-handshake ...

随机推荐

  1. JAVA8永久代

    在Java虚拟机(以下简称JVM)中,类包含其对应的元数据,比如类的层级信息,方法数据和方法信息(如字节码,栈和变量大小),运行时常量池,已确定的符号引用和虚方法表. 在过去(当自定义类加载器使用不普 ...

  2. 电脑小白学习软件开发-C#的选择语句、异常捕获,进攻程序员

    写代码也要读书,爱全栈,更爱生活.每日更新原创IT编程技术及日常实用视频. 我们的目标是:玩得转服务器Web开发,搞得懂移动端,电脑客户端更是不在话下. 不得不说,C#这门语言是小编以为最好的语言.其 ...

  3. JavaScript 零散知识点1 (正则表达式+定时器+hover)

    1.clear:both清楚浮动影响//css中 2.正则表达式 search方法 :指明是否存在相应的匹配,如找到一个返回一个整数值,表明这个匹配距离字符串开始的偏移位置,如果没有找到匹配返回-1f ...

  4. 移动端web学习总结

    前言: 一直想做一个移动端的阶段性学习总结,但是工作太忙总是加班.现在总算可以抽出一点时间来写一写,把知道的都写下来,这样就算忘掉了,也能很快想起来,不要太机智啊,哈哈哈! 一.移动端页面常识 1.常 ...

  5. 20160509-hibernate-集合映射

    集合映射 集合映射(set, list, array,bag, map) <set name=”employees” > <key column=”depart_id”/> & ...

  6. ASP.NET生成日历

    public string GetDayList(DateTime? date) { ; var minDate = Convert.ToDateTime(((DateTime)(date ?? Da ...

  7. 经历:如何设置jquery easyui中下拉框不可编辑

    今天,在项目中碰到一个这样的问题,当选择按钮时候,查询条件是可以输入的,否则,表单框是不可用的[图1].但是,批量查询中的船名和装港用到了自动配置,即jquery-easyui中的combox的配置. ...

  8. Poj 2159 / OpenJudge 2159 Ancient Cipher

    1.链接地址: http://poj.org/problem?id=2159 http://bailian.openjudge.cn/practice/2159 2.题目: Ancient Ciphe ...

  9. 【搭建开发环境】Linux 中安装 Eclipse 进行 C/C++ 开发

    引言 Linux 中选用 C/C++ 的 IDE,推荐 Eclipse. 涉及工具:JDK,Eclipse. 欢迎来到 lovickie 的博客 http://www.cnblogs.com/lovi ...

  10. asp.net mvc上传头像加剪裁功能介绍

    正好项目用到上传+剪裁功能,发上来便于以后使用. 我不能告诉你们其实是从博客园扒的前台代码,哈哈. 前端是jquery+fineuploader+jquery.Jcrop 后台是asp.net mvc ...