支持向量机分类中如何缩放输入特征？

Question

我试图用MATLAB中的支持向量机进行两类分类.这两个类别分别为“正常”和“感染”，分别将细胞图像分为正常或受感染。

我使用了一个训练集，它由1000个正常细胞图像和300个感染细胞图像组成。我从每个细胞中提取了72个特征。因此，我的训练特征集矩阵是72x1300，其中每一行代表一个特征，每一列代表从相应图像测量的相应特征值。

​

​

data: 72x1300 double

我的类标签向量初始化为：

cellLabel(1:1000) = {'normal'};
cellLabel(1001:1300) = {'infected'};

正如在这些链接中所研究的：http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf和svm scaling input values，我开始缩放特性值，这样做：

for i=1:1:size(data,1)
mu(i) = mean(data(:,i));
sd(i) = std(data(:,i));
scaledData(:,i) = (data(:,i) - mu(i))./sd(i);
end

对于测试，我读取一个测试映像并计算一个72x1特征向量。在分类之前，我使用与“数据”对应的平均值和标准差值对测试向量进行缩放，然后进行分类。如果我这样做，我将获得0%的训练准确率。然而，如果我从每一个班级分别进行分级和串联，我将获得98%的训练准确率。有人能解释一下我的方法是否正确吗？为了训练准确性，我知道我使用的是什么图像，因此读取平均值和SD值。在图像标签未知的情况下，我该如何做？

我就是这样训练的：

[idx,z] = rankfeatures(data,cellLabel,'Criterion','wilcoxon','NUMBER',7);
rnkData = data(idx,:);
rnkData = rnkData';
cellLabel = cellLabel';
SVMModel = fitcsvm(rnkData,cellLabel,'Standardize',true,'KernelFunction','RBF','KernelScale','auto');

您可以看到，我尝试使用内置的缩放属性，但是无论输入是什么，分类都倾向于显示“正常”类。

Answer 1

相应的均值和标准差值

您这是什么意思？你有刻薄和性病。dev.每一个特征？为什么不使用实际的min/max？

我不知道在Matlab中实现这个方法是否可行，但是在我的OpenCV/SVM代码中，我存储了每个特征的训练数据中的所有min/max值，并使用这些min/max值来缩放相应特征的测试数据。

如果测试数据的值经常超出训练数据的min/max范围，这是训练数据数量不足的强烈提示。使用平均值和性病。dev.值，您将不会如此显式地检测到这一点。