MATLAB fitcsvm 多类线性 SVM 报错:改用 fitcecoc 与 templateSVM
技术老齐
结论
在 MATLAB 里,fitcsvm 只能用于一类或二分类 SVM。标签类别数 K > 2 时,需要用 fitcecoc 训练多类模型,并通过 templateSVM 指定每个二分类学习器的线性核和标准化选项。原来的 fitcsvm(...) 改成:
t = templateSVM('KernelFunction', 'linear', 'Standardize', true);
mdl = fitcecoc(X_train, Y_train, 'Learners', t);
预测时仍然用 predict:
Y_pred = predict(mdl, X_test);
报错原因
fitcsvm 的 ClassificationSVM 模型面向二分类(以及一类)SVM。传入 K > 2 个类别时,MATLAB 在 ClassificationSVM.prepareData 阶段会提示改用 fitcecoc。fitcecoc 用纠错输出码(ECOC)把多类问题拆成多个二分类子问题;每个子问题用什么 SVM 配置,则通过 templateSVM 指定,例如 'KernelFunction','linear' 和 'Standardize',true。
在交叉验证循环中改写
如果交叉验证循环自己划分训练集和测试集,直接在循环里用 fitcecoc:
Y = categorical(Y); % 若标签不是 categorical,可按需转换
k = 5;
cv = cvpartition(Y, 'KFold', k);
acc = zeros(k, 1);
for i = 1:k
idxTrain = training(cv, i);
idxTest = test(cv, i);
X_train = X(idxTrain, :);
Y_train = Y(idxTrain);
X_test = X(idxTest, :);
Y_test = Y(idxTest);
t = templateSVM('KernelFunction', 'linear', 'Standardize', true);
mdl = fitcecoc(X_train, Y_train, 'Learners', t);
Y_pred = predict(mdl, X_test);
acc(i) = mean(Y_pred == Y_test);
end
meanAcc = mean(acc);
如果标签是 cell 数组而不是 categorical,准确率计算可以改成:
acc(i) = mean(strcmp(Y_pred, Y_test));
使用内置交叉验证
也可以让 fitcecoc 直接做交叉验证:
t = templateSVM('KernelFunction', 'linear', 'Standardize', true);
cvmdl = fitcecoc(X, Y, 'Learners', t, 'CrossVal', 'on', 'KFold', 5);
loss = kfoldLoss(cvmdl);
Y_pred_cv = kfoldPredict(cvmdl);
返回的对象和可用方法取决于 MATLAB 版本及参数组合。使用旧版本时,建议先确认 templateSVM、fitcecoc 和 kfoldPredict 是否可用。
注意事项
- 多类标签不要再传给
fitcsvm;即使把'KernelFunction'设为'linear',也改变不了它的二分类限制。 'KernelFunction','linear'和'Standardize',true要放在templateSVM里,不要直接作为fitcecoc的 SVM 参数。- 手动做交叉验证时,标准化要在每个训练折内部完成。用
templateSVM('Standardize', true)并且只用训练折拟合模型,可以避免测试折信息泄漏。 - 多类 SVM 一般用默认的 ECOC 编码就行;需要指定编码方式时,查看
fitcecoc的'Coding'参数。 - 预测后根据标签类型,用
==或strcmp计算准确率。
备注:内容仅供参考。
