PAYATHON 2026

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。