Как рассчитать точность обучения и тестирования в классификации изображений с использованием SVM в matlab

Question

Я пытаюсь классифицировать четыре группы изображений с использованием метода SVM, путем случайного выбора данных обучения и тестирования каждый раз. Когда T запускает программу, производительность зависит от случайного выбора данных. Как получить точную производительность моего алгоритма, а также как рассчитать точность обучения и тестирования?

Формула Я использую для производительности

Performance = sum(PredictedLabels == test_labels)/numel(PredictedLabels) 

Я использую multisvm функции для классификации.

Answer 1

Мое предложение:

На самом деле показатель производительности является приемлемым, хотя есть некоторые другие немного лучший выбор, как @Dan упомянул.

Что еще более важно, вам нужно иметь дело со случайностью.

1) Каждый раз, когда вы выбираете свои данные training, проверьте модель trained с несколькими рандомизированными данными test и усредните точность. (например, 10 раз или около того)

2) Используйте несколько моделей trained и усредните производительность, чтобы получить общую производительность.

Примечание:

1) Вы должны убедиться, что данные training и test данные не совпадают. Или это уже не test данные.

2) Лучше, чтобы данные training имели одинаковое количество образцов от каждого class label. Это означает, что вы можете разбить свой набор данных заранее.