明確に分離可能なデータのための確率レベルの精度

Question

私はかなり単純なSVM分類器[SVM = Support Vector Machine]と信じています。異なるパラメータで正規分布したデータを使って "テスト"すると、クラシファイアは私に50％の精度を返します。なにが問題ですか？ここで

はコードで、結果が再現可能でなければなりません：

features1 = normrnd(1,5,[100,5]); 
features2 = normrnd(50,5,[100,5]); 
features = [features1;features2]; 
labels = [zeros(100,1);ones(100,1)]; 

%% SVM-Classification 
nrFolds = 10; %number of folds of crossvalidation 
kernel = 'linear'; % 'linear', 'rbf' or 'polynomial' 
C = 1; % C is the 'boxconstraint' parameter. 

cvFolds = crossvalind('Kfold', labels, nrFolds); 


for i = 1:nrFolds       % iterate through each fold 
    testIdx = (cvFolds == i);    % indices test instances 
    trainIdx = ~testIdx;      % indices training instances 

    % train the SVM 
    cl = fitcsvm(features(trainIdx,:), labels(trainIdx),'KernelFunction',kernel,'Standardize',true,... 
    'BoxConstraint',C,'ClassNames',[0,1]); 

    [label,scores] = predict(cl, features(testIdx,:)); 
    eq = sum(labels(testIdx)); 
    accuracy(i) = eq/numel(labels(testIdx)); 

end 

crossValAcc = mean(accuracy) 

Answer 1

あなたは正しく正確さを計算されていません。元のデータと一致する予測の数を決定する必要があります。正しい予測の実際の数ではなく、テストセット内の1の合計数を単純に合計しているだけです。

eq = sum(labels(testIdx) == label); 

リコールlabels(testIdx)は、あなたのテストセットから真のラベルを抽出し、labelがあなたのSVMモデルから予測された結果であること：

したがって、あなたはこれまであなたのeq文を変更する必要があります。これは0/1のベクトルを正しく生成します。0は予測がテストセットの実際のラベルと一致しないことを意味し、1は一致することを意味します。彼らが同意するたびに合計を計算するか、ベクトルが1であるたびに精度を計算する方法です。