基于matlab的分类器性能测试

您好，我已经在matlab中训练了一个分类器，我想测试它的准确性。 我已经找到了很多函数来做这件事，我不知道该用什么

目前：

% train my classifier
svmStruct = fitcsvm(Xtrain,Ytrain,'KernelFunction','linear','Standardize',true);

% predict the output of an unknown input <- this part takes a lot of time
IDX_svm = zeros(size(Xtest,1),1);
for j = 1 : size(Xtest,1)    
    IDX_svm(j) = predict(svmStruct,Xtest(j,:));    
end

%compute performaces
TABLE = confusionmat(Ytest,IDX_svm);
sum_diag = 0;
for j = 1 : size(TABLE,2)
    sum_diag = sum_diag + TABLE(j,j);
end
error_rate = 1-(sum_diag/sum(sum(TABLE,2)));

%训练我的分类器
svmStruct=fitcsvm（Xtrain，Ytrain，'KernelFunction'，'linear'，'standarding'，true）；
%预测未知输入的输出准确度仅定义为正确预测的标签与测试/验证集中标签总数之间的比率。因此，如果您有测试标签向量（
Ytest
I猜想）和预测标签向量（
IDX_-svm
I猜想），而不是使用混淆矩阵，那么您可以简单地运行

Accuracy=sum(IDX_svm==Ytest)/length(Ytest)

精度将在[0；1]范围内，您只需将其乘以100即可按百分比进行缩放

当然，错误率是根据以下之一定义的：


如果您之前评估过精度

1-精度
如果
精度
在范围[0；1]内
100精度
如果
精度
以百分比表示

如果您只想评估错误率

错误预测的标签与测试/验证集中标签总数之间的比率：
ErrorRate=sum（IDX\u svm~=Ytest）/length（Ytest）
。该值将在[0；1]范围内
将上述结果乘以100将得出错误率百分比


这些是标准定义，它们适用于每个分类器，而不仅仅是SVM

另外，我建议避免循环中的
predict（）
函数。在本例中，您多次调用
predict（）
，每次调用都对一个点进行分类。这会减慢代码的速度。正如您现在可能看到的，
predict（）
可以将整个测试矩阵作为输入，并返回整个标签向量，这样您就不必在for循环中预先分配和写入此类向量的每个元素。您只需调用一次
predict（）
。你可能想试试类似的东西

IDX_svm=predict(svmStruct,Xtest);