Matlab 在培训和测试阶段应该有多少图像？LibSVM

我正在使用PCA和SVM进行人脸识别。使用libSVM在matlab中实现SVM。我正在尝试实现一对所有分类。我有三个问题

第一: 我在第1类中有10张图片（面部1），那么第2类应该有60张图片（6张面部各10张图片）

第二： 准确度是否取决于我在这两个课程中拍摄的图像数量？如果是，那么 由于第二类中有大量图像，精度是否会达到100%（不合理的高）

第三： 是否可以使用单个图像进行测试

---

非常感谢您的帮助。

您提出了三个问题：

（1） 编辑：是的，正如您在评论中解释的那样。如果你有7门课，你将训练7个分类器。对于每一个分类器，你将训练个体i的正面类图像，以及所有其他个体的负面类图像

您所描述的被称为一对所有分类，它是使用基本二进制分类器（如SVM）进行多类分类的常用方法。我还要补充一点，还有其他方法用于将二进制分类器扩展到多类分类，例如一对一和纠错比赛

编辑#2: 让我补充一点，一对一分类已经在LIBSVM中实现，您真的不需要做任何特殊的事情。您所需要做的就是向训练数据中的每个类添加不同的双精度（因此可以使用类0、1、…7）

如果你真的想做一对所有（也称为一对其余），你也可以使用它。因为您似乎在使用MATLAB，所以有一些代码（它不是直接在LIBSVM中实现的），但LIBSVM的作者提供了代码来实现：

（2） 精度将取决于图像的数量。在理想的情况下，你会有很多个人的照片来训练。但在诸如不平衡数据集之类的情况下，可能会出现这种情况，例如，如果训练时使用100万张x类图像，只有两张y类图像和两张z类图像，则会出现问题，因为分类器获得的x类视图比其他两个类的更详细。要进行评估，您需要一个完整的混淆矩阵（即，对于每对类，有多少类x的真实对象被分类为类y，有多少类y的真实对象被分类为类x等等）

（3） 是的，它可以

编辑#3:

从LIBSVM的作者的评论来看，一对一的准确度与一对所有的准确度相似，不同之处在于训练一对一更快，这就是他们在系统中实现一对一的原因

要使用LIBSVM训练多类模型，您需要使用svmtrain并只调用一次。类别1是个体1的图像，类别2是个体2的图像。。。第七类是第七个体的图像

---

为了预测，在训练模型后，您将使用svmpredict进行一对所有分类，我正在训练7个模型。上面我说的只是一个模型。对于第一个模型：第一类有十个第一个个体的图像（正面类），第二类有十个其他六个个体的图像（负面类）。因此，这个模型将是一个积极的个人类。第二个模型：第1类将有10张第二个个体的图像，第2类将有10张剩余六个个体（包括第一个个体）的图像。这个模型将是第二个人的积极课程。其余的5个模型将像这样训练。所以我现在做的是对的？在一对所有分类中，我可以在类别1和类别2中有不同数量的图像？假设第1类中有10幅图像，第2类中有60幅图像？当两类中的图像数量相同时，我获得了85%到98%的期望精度，但当第1类和第2类中的图像数量不同时（例如第1类中有10幅图像，第2类中有60幅图像），则精度增加到100%。即使对于测试映像不属于的某些模型，精度也为100%。@Sid:只有在类1是单个1的映像时，才调用svmtrain类2是单个2的映像。。。第七类是第七个体的图像。