Machine learning 如何使用LIBSVM使用platt缩放和交叉验证？

有人能给我举个例子来说明在libsvm的多类SVM分类中如何使用platt缩放和k-fold交叉验证吗

---

我将整个数据集分为两部分：培训和测试。对于交叉验证，我将对训练数据进行分区，以便1个分区用于测试，其余分区用于训练多类SVM分类器。

Platt缩放与您的分区或多类设置无关。Platt缩放是每个单独的二进制SVM的内部技术，它只使用一个训练数据。实际上，这只是在学习到的SVM投影之上拟合逻辑reggresion。

Platt缩放与分区或多类设置无关。Platt缩放是每个单独的二进制SVM的内部技术，它只使用一个训练数据。这实际上只是在学习的SVM投影之上拟合一个逻辑正则表达式

“在估计参数a和B时，交叉验证是比保持集更好的方法。在3倍CV中，训练集分为3部分。每一个SVM在3个部分中的2个部分的排列上进行训练，fi在剩余的3个部分上进行评估。所有三组fi的联合可以形成sigmoid的训练集（也可以用于调整SVM参数）。“上面我引用了普拉特的文章，但我似乎不明白它在说什么训练。这是我用来执行10倍CV以调整C和Gamma的同一个训练集吗？输入参数：deci=SVM决策值数组label=布尔值数组：示例标记为+1吗？prior1=正例数prior0=负例数输出：A，B=sigmoid的参数，但在上述文件中提供的伪代码中，状态是platt的输入/输出参数。是'deci'参数是测试数据的libsvmppredict的输出决策分数？对于“标签”，这些标签对应于哪个示例？对应于哪个集合，它需要的正例数和负例数？我们是否也对测试集（1-每个折叠的分区）使用platt缩放，同时使用K折叠CV调整C和gamma，或者在最后对整个数据集进行训练后，仅对最终测试集使用platt就足够了。“在估计参数a和B时，交叉验证是比保持集更好的方法。在3倍CV中，训练集分为3部分。每一个SVM在3个部分中的2个部分的排列上进行训练，fi在剩余的3个部分上进行评估。所有三组fi的联合可以形成sigmoid的训练集（也可以用于调整SVM参数）。“上面我引用了普拉特的文章，但我似乎不明白它在说什么训练。这是我用来执行10倍CV以调整C和Gamma的同一个训练集吗？输入参数：deci=SVM决策值数组label=布尔值数组：示例标记为+1吗？prior1=正例数prior0=负例数输出：A，B=sigmoid的参数，但在上述文件中提供的伪代码中，状态是platt的输入/输出参数。是'deci'参数是测试数据的libsvmppredict的输出决策分数？对于“标签”，这些标签对应于哪个示例？对应于哪个集合，它需要的正例数和负例数？我们是否也对测试集（1-每个折叠的分区）使用platt缩放，同时使用K折叠CV调整C和gamma，或者在最后对整个数据集进行训练后，仅对最终测试集使用platt就足够了。