使用预计算的chi2核函数在libsvm（matlab）中出现错误结果

Question

我正在尝试使用libsvm，并遵循该软件附带的heart_scale数据进行svm训练的示例。我想使用自己预先计算的chi2核。训练数据的分类率下降到24％。我确定我正确计算了核，但我认为我一定做错了什么。以下是代码。您能看到任何错误吗？非常感谢您的帮助。

%read in the data:
[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');
train_data = heart_scale_inst(1:150,:);
train_label = heart_scale_label(1:150,:);

%read somewhere that the kernel should not be sparse
ttrain = full(train_data)';
ttest = full(test_data)';

precKernel = chi2_custom(ttrain', ttrain');
model_precomputed = svmtrain2(train_label, [(1:150)', precKernel], '-t 4');

这是内核的预计算方式：

function res=chi2_custom(x,y)
a=size(x);
b=size(y);
res = zeros(a(1,1), b(1,1));
for i=1:a(1,1)
    for j=1:b(1,1)
        resHelper = chi2_ireneHelper(x(i,:), y(j,:));
        res(i,j) = resHelper;
    end
end
function resHelper = chi2_ireneHelper(x,y)
a=(x-y).^2;
b=(x+y);
resHelper = sum(a./(b + eps));

使用另一种 SVM 实现（vlfeat），我在训练数据上获得了大约90％的分类率（是的，我在训练数据上测试，只是为了看看发生了什么）。所以我非常确定 libsvm 的结果是错误的。

- Sallos

Answer 1

当使用支持向量机时，将数据集归一化作为预处理步骤非常重要。{{Normalization}}将属性放在相同的比例上，并防止具有大值的属性对结果产生偏差。它还可以提高数值稳定性（通过浮点表示减少溢出和下溢的可能性）。

此外，确切地说，您计算的卡方核略有偏差。请改用以下定义，并使用此更快的实现：

function D = chi2Kernel(X,Y)
    D = zeros(size(X,1),size(Y,1));
    for i=1:size(Y,1)
        d = bsxfun(@minus, X, Y(i,:));
        s = bsxfun(@plus, X, Y(i,:));
        D(:,i) = sum(d.^2 ./ (s/2+eps), 2);
    end
    D = 1 - D;
end

现在考虑以下例子，使用与您相同的数据集（代码改编自我之前的答案）：

%# read dataset
[label,data] = libsvmread('./heart_scale');
data = full(data);      %# sparse to full

%# normalize data to [0,1] range
mn = min(data,[],1); mx = max(data,[],1);
data = bsxfun(@rdivide, bsxfun(@minus, data, mn), mx-mn);

%# split into train/test datasets
trainData = data(1:150,:);    testData = data(151:270,:);
trainLabel = label(1:150,:);  testLabel = label(151:270,:);
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)' , chi2Kernel(trainData,trainData) ];
KK = [ (1:numTest)'  , chi2Kernel(testData,trainData)  ];

%# view 'train vs. train' kernel matrix
figure, imagesc(K(:,2:end))
colormap(pink), colorbar

%# train model
model = svmtrain(trainLabel, K, '-t 4');

%# test on testing data
[predTestLabel, acc, decVals] = svmpredict(testLabel, KK, model);
cmTest = confusionmat(testLabel,predTestLabel)

%# test on training data
[predTrainLabel, acc, decVals] = svmpredict(trainLabel, K, model);
cmTrain = confusionmat(trainLabel,predTrainLabel)

测试数据的结果：

Accuracy = 84.1667% (101/120) (classification)
cmTest =
    62     8
    11    39

在训练数据上，我们获得了大约90%的准确率，正如您所期望的：

Accuracy = 92.6667% (139/150) (classification)
cmTrain =
    77     3
     8    62

- Amro

---

哦，太棒了 - 这是一个详细的答案。感谢您花时间思考我的问题。这肯定有所帮助。 - Sallos

Answer 2

问题出在以下这行代码：

resHelper = sum(a./(b + eps));

应该是：

resHelper = 1-sum(2*a./(b + eps));

- George

---

感谢您回答我的问题，我刚刚看到了您的回复。 - Sallos

@Sallos：虽然你的公式稍微有点偏差，但真正的问题在于数据归一化。请看我的答案。 - Amro