使用支持向量机计算准确率、召回率和准确率

Question

我已经在matlab中训练了支持向量机，然后我将我的模型转移到OpenCV中来检测汽车的尾部。下面是代码。

pos_mat = matfile('posfeat.mat');               % positive samples
neg_mat = matfile('negfeat.mat');               % negative samples

posRow  = pos_mat.bigmat;                        % get positve samples
negRow  = neg_mat.bigmatneg;                     % get negative samples

group = ones(135,1);                             % get labels
group(70:135) = -1;

t = 70;
for i =1:1:66
    posRow(t,:) = (negRow(i,:));
    t = t+1;
end
xdata = posRow;


SVMModel = fitcsvm(xdata,group);

beta = (SVMModel.Beta)';

以下是输出。

​

​

现在我要计算SVM分类器的准确率、召回率和准确率。这个post非常有用，但它只提供了与精确度、召回率、准确度相关的概念。有人能帮我计算支持向量机分类器的准确率，召回率，准确率吗？你可以找到posfeat和negfeat here。

Answer 1

根据

https://www.csie.ntu.edu.tw/~cjlin/libsvm/

此工具中包含的评估函数包括：

precision
Precision = true_positive / (true_positive + false_positive)
recall
Recall = true_positive / (true_positive + false_negative)
fscore
F-score = 2 * Precision * Recall / (Precision + Recall)
bac
BAC (Balanced ACcuracy) = (Sensitivity + Specificity) / 2,
where Sensitivity = true_positive / (true_positive + false_negative)
and   Specificity = true_negative / (true_negative + false_positive)
auc
AUC (Area Under Curve) is the area under the ROC curve.

注意:此工具仅适用于标签为{1，-1}的二进制类C-SVM。不支持多类、回归和概率估计。注意:当使用准确度作为评估标准时，交叉验证精度可能与标准LIBSVM的交叉验证精度不同。原因是LIBSVM在内部对同一类中的数据进行分组，而此工具不会。