Image processing libsvm liblinear如何使用直方图交点/卡方核

是否可以在LIBLINEAR中使用直方图相交/chi-sauare核

我的问题是我有一个5000大小的特征向量，所有的都是直方图特征。我不知道如何使用SVM进行训练/测试

我如何使用SVM来训练它

libSVM支持4种类型的内核

    0 -- linear: u'*v
1 -- polynomial: (gamma*u'*v + coef0)^degree
2 -- radial basis function: exp(-gamma*|u-v|^2)
3 -- sigmoid: tanh(gamma*u'*v + coef0)

---

LibSVM支持线性内核在这种情况下，LibSVM和linearSVM有什么区别？

不，不能在liblinear中使用自定义内核

要做您想做的事情，您需要使用LibSVM和“预计算内核”选项，其中提供gram矩阵（这在LibSVM自述文件中有描述）

对于线性核，LibSVM和LibLinear产生类似的结果。作者说：

他们的预测是相似的，但超平面是不同的。Libsvm 解L1损失支持向量机，但liblinear解L2正则化逻辑 回归和L2损失支持向量机

---

不，不能在liblinear中使用自定义内核

要做您想做的事情，您需要使用LibSVM和“预计算内核”选项，其中提供gram矩阵（这在LibSVM自述文件中有描述）

对于线性核，LibSVM和LibLinear产生类似的结果。作者说：

他们的预测是相似的，但超平面是不同的。Libsvm 解L1损失支持向量机，但liblinear解L2正则化逻辑 回归和L2损失支持向量机

---

只有将特征明确映射到非线性特征空间时，才能使用线性SVM解算器，我建议阅读：

“用于检测的最大余量加法分类器”——

“大型内核机器的随机特性”——

“通过显式特征映射有效添加内核”——

---

只有将特征明确映射到非线性特征空间时，才能使用线性SVM解算器，我建议阅读：

“用于检测的最大余量加法分类器”——

“大型内核机器的随机特性”——

“通过显式特征映射有效添加内核”——

---

晚了一点，但可能会帮助其他人：机器学习软件包scikit learn（）至少提供了chi2内核。

晚了一点，但可能会帮助其他人：机器学习软件包scikit learn（）至少提供了chi2内核。

最近我只是在Libsvm中使用了chi2内核。我将代码粘贴在这里，希望它有用

function [chi2_ans]=chi2_kernel(x,y)
   f=@(x,y) 1-sum(((x'-y').*(x'-y'))./(x'+y'+eps)*2);
   [m, ~]=size(x);
   chi2_ans=zeros(size(x,1),size(y,1));
   for i=1:size(x,1)
        veci=x(i,:);
         for j=1:size(y,1)
            vecj=y(j,:);
            chi2_ans(i,j)=f(veci,vecj);
        end 
   end
end

并使用它

function [ acc ] = singleChi2Kernel(   trainData,testData,trainLabel,testLabel )

numTrain = size(trainData,1);
numTest = size(testData,1);


%# compute kernel matrices between every pairs of (train,train) and
%# (test,train) instances and include sample serial number as first column
K =  [ (1:numTrain)' , chi2_kernel(trainData,trainData) ];
KK = [ (1:numTest)'  , chi2_kernel(testData,trainData)  ];

%# train and test
model = svmtrain(trainLabel, K, '-t 4  ');
[predClass, acc, decVals] = svmpredict(testLabel, KK, model);

%# confusion matrix
%C = confusionmat(testClass,predClass)

end

---

最近我在Libsvm中只使用了chi2内核。我把代码粘贴在这里，希望它能有用

function [chi2_ans]=chi2_kernel(x,y)
   f=@(x,y) 1-sum(((x'-y').*(x'-y'))./(x'+y'+eps)*2);
   [m, ~]=size(x);
   chi2_ans=zeros(size(x,1),size(y,1));
   for i=1:size(x,1)
        veci=x(i,:);
         for j=1:size(y,1)
            vecj=y(j,:);
            chi2_ans(i,j)=f(veci,vecj);
        end 
   end
end

并使用它

function [ acc ] = singleChi2Kernel(   trainData,testData,trainLabel,testLabel )

numTrain = size(trainData,1);
numTest = size(testData,1);


%# compute kernel matrices between every pairs of (train,train) and
%# (test,train) instances and include sample serial number as first column
K =  [ (1:numTrain)' , chi2_kernel(trainData,trainData) ];
KK = [ (1:numTest)'  , chi2_kernel(testData,trainData)  ];

%# train and test
model = svmtrain(trainLabel, K, '-t 4  ');
[predClass, acc, decVals] = svmpredict(testLabel, KK, model);

%# confusion matrix
%C = confusionmat(testClass,predClass)

end

源代码