0
Может ли кто-нибудь дать мне пример, чтобы показать, как используется масштабирование platt вместе с кросс-валидностью k-fold в многоклассовой классификации SVM в libsvm?Как использовать масштабирование platt с перекрестной проверкой с использованием LIBSVM?
Я разделил весь набор данных на две части: обучение и тестирование. Для перекрестной проверки я разделяю данные обучения таким образом, что 1 раздел предназначен для тестирования и отдыха для обучения мультиклассическому классификатору SVM.
«Кросс-валидация - еще лучший метод, чем набор для оценки параметров A и B. В 3-кратном CV, набор тренировок разделен на 3 части. Каждый из SVM обучается перестановкам 2 из трех частей, а fi оцениваются на оставшихся 3. Объединение всех трех наборов fi может формировать обучающий набор сигмоида (а также может использоваться для настройки параметров SVM) ». Выше я процитировал из бумаги Платта, но, похоже, я не понимаю, о каком обучении он говорит. Это тот же набор тренировок, который я использовал для выполнения 10-кратного CV для настройки C и Gamma? –
Входные параметры: deci = массив значений решения SVM label = array of booleans: это пример с меткой +1? prior1 = число положительных примеров prior0 = число отрицательных примеров Выходы: A, B = параметры сигмовидной но в псевдо-коде, предоставленном в бумажных состояниях выше, входные/выходные параметры для Platt. Параметр 'deci' - это результат принятия решения из libsvmpredict для тестовых данных? Для метки, соответствующей примеру этих этикеток? Соответствующий набор, нет. положительных и нет. отрицательный пример, который он требует? –
Используем ли мы склеивание пластин также для тестового набора (1- разбиение каждой складки) при настройке C и гаммы с K-кратным CV или достаточно ли использовать пластину с окончательным набором тестов после обучения по всему набору данных в конце , –