Matlab 使用交叉验证和F1分数选择SVM参数

在SVM中调整C和Sigma时，我需要跟踪F1成绩， 例如，以下代码跟踪精度，我需要将其更改为F1分数，但我无法做到这一点

%# read some training data
[labels,data] = libsvmread('./heart_scale');

%# grid of parameters
folds = 5;
[C,gamma] = meshgrid(-5:2:15, -15:2:3);

%# grid search, and cross-validation
cv_acc = zeros(numel(C),1);
    for i=1:numel(C)
cv_acc(i) = svmtrain(labels, data, ...
                sprintf('-c %f -g %f -v %d', 2^C(i), 2^gamma(i), folds));
end

%# pair (C,gamma) with best accuracy
[~,idx] = max(cv_acc);

%# now you can train you model using best_C and best_gamma
best_C = 2^C(idx);
best_gamma = 2^gamma(idx);
%# ...

我看到了以下两个链接

我知道我必须首先在训练数据中找到最佳的C和gamma/sigma参数，然后使用这两个值做一个遗漏交叉验证分类实验， 所以我现在要做的是首先进行一次网格搜索，以优化C&sigma。 请我宁愿使用MATLAB-SVM，而不是LIBSVM。 下面是我的遗漏交叉验证分类代码

... clc
 clear all
close all
a = load('V1.csv');
X = double(a(:,1:12));
Y = double(a(:,13));
% train data
datall=[X,Y];
A=datall;
n = 40;
ordering = randperm(n);
B = A(ordering, :);  
good=B; 
input=good(:,1:12);
target=good(:,13);
CVO = cvpartition(target,'leaveout',1);  
cp = classperf(target);                      %# init performance tracker
svmModel=[];
for i = 1:CVO.NumTestSets                                %# for each fold
trIdx = CVO.training(i);              
teIdx = CVO.test(i);                   
%# train an SVM model over training instances

svmModel = svmtrain(input(trIdx,:), target(trIdx), ...
       'Autoscale',true, 'Showplot',false, 'Method','ls', ...
      'BoxConstraint',0.1, 'Kernel_Function','rbf', 'RBF_Sigma',0.1);
%# test using test instances
pred = svmclassify(svmModel, input(teIdx,:), 'Showplot',false);
%# evaluate and update performance object
cp = classperf(cp, pred, teIdx); 
end
%# get accuracy
accuracy=cp.CorrectRate*100
sensitivity=cp.Sensitivity*100
specificity=cp.Specificity*100
PPV=cp.PositivePredictiveValue*100
NPV=cp.NegativePredictiveValue*100
%# get confusion matrix
%# columns:actual, rows:predicted, last-row: unclassified instances
cp.CountingMatrix
recallP = sensitivity;
recallN = specificity;
precisionP = PPV;
precisionN = NPV;
f1P = 2*((precisionP*recallP)/(precisionP + recallP));
f1N = 2*((precisionN*recallN)/(precisionN + recallN));
aF1 = ((f1P+f1N)/2);

我更改了密码 但是我犯了一些错误，我也犯了一些错误

a = load('V1.csv');
X = double(a(:,1:12));
Y = double(a(:,13));
% train data
datall=[X,Y];
A=datall;
n = 40;
ordering = randperm(n);
B = A(ordering, :);  
good=B; 
inpt=good(:,1:12);
target=good(:,13);
k=10;
cvFolds = crossvalind('Kfold', target, k);   %# get indices of 10-fold CV
cp = classperf(target);                      %# init performance tracker
svmModel=[];
for i = 1:k 
    testIdx = (cvFolds == i);    %# get indices of test    instances
trainIdx = ~testIdx;   
C = 0.1:0.1:1; 
S = 0.1:0.1:1; 
fscores = zeros(numel(C), numel(S)); %// Pre-allocation
for c = 1:numel(C)   
for s = 1:numel(S)
    vals = crossval(@(XTRAIN, YTRAIN, XVAL, YVAL)(fun(XTRAIN, YTRAIN, XVAL, YVAL, C(c), S(c))),inpt(trainIdx,:),target(trainIdx));
    fscores(c,s) = mean(vals);
end
end
 end

[cbest, sbest] = find(fscores == max(fscores(:)));
C_final = C(cbest);
S_final = S(sbest);    

还有功能

.....
function fscore = fun(XTRAIN, YTRAIN, XVAL, YVAL, C, S)
svmModel = svmtrain(XTRAIN, YTRAIN, ...
   'Autoscale',true, 'Showplot',false, 'Method','ls', ...
  'BoxConstraint', C, 'Kernel_Function','rbf', 'RBF_Sigma', S);

   pred = svmclassify(svmModel, XVAL, 'Showplot',false);

   cp = classperf(YVAL, pred)
   %# get accuracy
    accuracy=cp.CorrectRate*100
    sensitivity=cp.Sensitivity*100
    specificity=cp.Specificity*100
    PPV=cp.PositivePredictiveValue*100
    NPV=cp.NegativePredictiveValue*100
    %# get confusion matrix
    %# columns:actual, rows:predicted, last-row: unclassified instances
    cp.CountingMatrix
    recallP = sensitivity;
    recallN = specificity;
    precisionP = PPV;
    precisionN = NPV;
    f1P = 2*((precisionP*recallP)/(precisionP + recallP));
    f1N = 2*((precisionN*recallN)/(precisionN + recallN));
    fscore = ((f1P+f1N)/2);

    end

---

所以，基本上你想用你的这句话：

svmModel = svmtrain(input(trIdx,:), target(trIdx), ...
       'Autoscale',true, 'Showplot',false, 'Method','ls', ...
      'BoxConstraint',0.1, 'Kernel_Function','rbf', 'RBF_Sigma',0.1);

将其放入一个循环中，该循环改变

'BoxConstraint'

和

'RBF\u Sigma'

参数，然后使用该循环输出参数迭代组合的f1分数

您可以使用与libsvm代码示例完全相同的单个for循环（即使用

meshgrid

和

1:numel（）

，这可能更快）或嵌套for循环。我将使用嵌套循环，这样您就有了两种方法：

C = [0.001, 0.003, 0.01, 0.03, 0.1, 0.3, 1, 3, 10, 30, 100, 300] %// you must choose your own set of values for the parameters that you want to test. You can either do it this way by explicitly typing out a list
S = 0:0.1:1 %// or you can do it this way using the : operator
fscores = zeros(numel(C), numel(S)); %// Pre-allocation
for c = 1:numel(C)   
    for s = 1:numel(S)
        vals = crossval(@(XTRAIN, YTRAIN, XVAL, YVAL)(fun(XTRAIN, YTRAIN, XVAL, YVAL, C(c), S(c)),input(trIdx,:),target(trIdx));
        fscores(c,s) = mean(vals);
    end
end

%// Then establish the C and S that gave you the bet f-score. Don't forget that c and s are just indexes though!
[cbest, sbest] = find(fscores == max(fscores(:)));
C_final = C(cbest);
S_final = S(sbest);

现在我们只需要定义函数

fun

。文档中有关于

乐趣的描述：

fun是一个函数句柄，函数有两个输入，即训练
X的子集XTRAIN和X的测试子集XTEST，如下所示：

testval=fun（XTRAIN，XTEST）每次调用它时，fun都应该使用
XTRAIN来拟合模型，然后返回在上计算的一些条件testval
XTEST使用的是那个合适的型号

所以
fun
需要：


输出一个f分数
将X和Y的训练和测试集作为输入。请注意，它们都是实际训练集的子集！将其视为培训集的培训和验证子集。还请注意，crossval将为您拆分这些设置
在训练子集上训练分类器（使用循环中当前的
C
和
S
参数）
在测试（或验证）子集上运行新分类器
计算并输出性能指标（在您的情况下，您需要f1分数）

您会注意到，
fun
不能接受任何额外的参数，这就是为什么我将它包装在一个匿名函数中，以便我们可以传入当前的
C
和
S
值。（即上面所有的
@（…）（fun（…）
内容。这只是将我们的六个参数
fun
转换为
crossval
所需的四个参数的一个技巧

function fscore = fun(XTRAIN, YTRAIN, XVAL, YVAL, C, S)

   svmModel = svmtrain(XTRAIN, YTRAIN, ...
       'Autoscale',true, 'Showplot',false, 'Method','ls', ...
      'BoxConstraint', C, 'Kernel_Function','rbf', 'RBF_Sigma', S);

   pred = svmclassify(svmModel, XVAL, 'Showplot',false);

   CP = classperf(YVAL, pred)

   fscore = ... %// You can do this bit the same way you did earlier
end

我发现
target（trainIdx）
唯一的问题。它是一个行向量，所以我用
target（trainIdx）替换了
target（trainIdx）
这是一个列向量。
您想使用Matlab的统计工具箱还是机器学习？无论哪种方法，代码都将与您的libsvm示例完全不同。请先在Matlab中尝试编码：或者至少发布您的Matlab SVM代码，您可以将参数任意设置为单个值（即，不通过交叉验证进行调整）这是代码用于libsvm的链接。您需要首先向我们展示非libsvm代码的外观。只需发布简单代码，无需交叉验证（即网格搜索）但是作为一个线索，你可能想使用这个函数：我已经编辑了代码并添加了MATLAB代码。谢谢你，没问题-如果你发现任何错误，请告诉我！首先，为什么你要将它改为使用
…，inpt，target
？这是一个匿名函数，这些变量不是你工作区中的变量…其次是error听起来像是在抱怨你在
target（trIdx）
XTRAIN，YTRAIN，XVAL，YVAL
get-generated by
crossval
crossval
需要你向它提供训练数据（然后它将自己分割成更小的训练集和验证集）…我已将其更改为…vals=crossval（@（XTRAIN，YTRAIN，XVAL，YVAL）（fun（XTRAIN，YTRAIN，XVAL，YVAL，C（C），S（C））），输入，目标）；………输入是一个40X12数据集，目标是一个40X1数据目标，有两个类0s和1s……。但是MATLAB仍然说Ground truth必须至少有两个类。@Wasnuga因此，首先，撤销该更改，因为您以后仍然需要测试集。我确信问题在于
classperf
（以后请发布整个错误）。你只需要在没有它的情况下计算f1分数（这真的不难）。如果你无法做到这一点（认真尝试后），请将其作为单独的问题提问。