Matlab - vlfeat - vl_pegasos (SVM) классификация

Question

Я использую библиотеку VLFeat в Matlab для некоторой работы по анализу изображений. Я хочу использовать их реализацию Pegasos SVM из-за некоторых ядер, которые они реализовали, в частности, ядра Chi2.

Тем не менее, я нахожу документацию, оставив меня в замешательстве. После этого урока у меня есть модель w и уклон b, но как я могу использовать это для классификации моих тестовых данных?

Мои стартовые данные примерно так (размеры)..

size(train_data) = 
    200    210

size(train_labels) =
    1      210

size(test_data) =
    200    140

size(test_labels) =
    1      140

Я могу построить набор данных с..

dataset = vl_maketrainingset(train_data, int8(train_labels))

давая мне..

dataset = 
      data: [200x210 double]
    labels: [1x210 int8]

и тогда я могу построить модель..

[w b info] = vl_svmpegasos(dataset,0.01,'MaxIterations',5000);

w моя модель (w'eights?) имеет размер вектора 200 x 1 со значениями от 0 до 1.

Я считаю, что мне нужно умножить этот вектор на мой test_data чтобы получить какие-то оценки, но я не уверен, что значение этих результатов будет.

Любое направление высоко ценится.

Answer 1

Вы смотрели на их пример кода Caltech 101? Он использует pegasos и дает хорошую оценку результатов.

Вот соответствующий фрагмент кода:

% --------------------------------------------------------------------
%                                                            Train SVM
% --------------------------------------------------------------------

lambda = 1 / (conf.svm.C *  length(selTrain)) ;
w = [] ;
for ci = 1:length(classes)
  perm = randperm(length(selTrain)) ;
  fprintf('Training model for class %s\n', classes{ci}) ;
  y = 2 * (imageClass(selTrain) == ci) - 1 ;
  data = vl_maketrainingset(psix(:,selTrain(perm)), int8(y(perm))) ;
  [w(:,ci) b(ci)] = vl_svmpegasos(data, lambda, ...
                                  'MaxIterations', 50/lambda, ...
                                  'BiasMultiplier', conf.svm.biasMultiplier) ;

  model.b = conf.svm.biasMultiplier * b ;
  model.w = w ;

% --------------------------------------------------------------------
%                                                Test SVM and evaluate
% --------------------------------------------------------------------

% Estimate the class of the test images
scores = model.w' * psix + model.b' * ones(1,size(psix,2)) ;
[drop, imageEstClass] = max(scores, [], 1) ;

% Compute the confusion matrix
idx = sub2ind([length(classes), length(classes)], ...
              imageClass(selTest), imageEstClass(selTest)) ;
confus = zeros(length(classes)) ;
confus = vl_binsum(confus, ones(size(idx)), idx) ;