如何使用Matlab进行ROC分析内置SVM(不是LibSVM)

24日视图(30天)

显示旧的评论

Aaronne 2013年3月21日

0
链接

这个问题直接联系

//www.tianjin-qmedu.com/matlabcentral/answers/68138-how-to-do-a-roc-analysis-using-matlab-build-in-svm-not-libsvm

回答: 人士Heydarzadeh 2016年8月10日

答:接受 Ilya

你好,

想有人知道如何使用Matlab进行ROC分析内置支持向量机吗?这个问题问了数百万次在网络上,但是没有回答。

                         svmStruct = svmtrain (featureSelcted groundTruthGroup,“Kernel_Function”,“rbf”,“方法”,“QP”);
                        
                         svmClassified = svmclassify (svmStruct featureSelcted);
                        
                         % resubstitution响应预测的支持向量机分类器
                        
                         SVMScore? ? ?
                        
                         %配合得分的概率
                        
                         [玻璃钢,TPR,用力推,AUC, OPTROCPT] = perfcurve (groundTruth (: 1), SVMScore (: 1), 1);

本质上,我们需要一个函数得到的*分数* SVM分类器 ( SVMScore )。谢谢!

一个。

0评论
显示隐藏1以上的评论

登录置评。

在回答这个问题。

接受的答案

Ilya 2013年3月21日

7
链接

直接链接到这个答案

//www.tianjin-qmedu.com/matlabcentral/answers/68138-how-to-do-a-roc-analysis-using-matlab-build-in-svm-not-libsvm answer_79494

嗯,这里有一个答案 //www.tianjin-qmedu.com/matlabcentral/answers/64475-does-anybody-have-expertise-with-matlab-svm-classifier 另一个线程的引用。我收集所有的碎片在一个地方。

假设您的类标签1和+ 1,假设您有训练有素的自动定量的默认设置为true,让支持向量机训练支持向量机模型的结构,让 Xnew 是你需要的新数据计算软分数。

                             转变= svm.ScaleData.shift;
                            
                             规模= svm.ScaleData.scaleFactor;
                            
                             Xnew = bsxfun (@plus Xnew,转变);
                            
                             Xnew = bsxfun (@times、Xnew、规模);
                            
                             sv = svm.万博1manbetxSupportVectors;
                            
                             alphaHat = svm.Alpha;
                            
                             偏见= svm.Bias;
                            
                             kfun = svm.KernelFunction;
                            
                             kfunargs = svm.KernelFunctionArgs;
                            
                             f = kfun (sv、Xnew kfunargs {}):“* alphaHat(:) +偏见;
                            
                             f = - f;%翻转信号得到的分数+ 1类

然后调用 perfcurve (true_labels f (1) 。

7评论
显示隐藏 6年长的评论

Aaronne 2013年3月22日

嗨Ilya,

这是非常方便。非常感谢。但更详细的问题:

1。我注意到预测分数后验概率的类obj判别分类的预测方法在Matlab资讯和LDA,例如:

                                  % %构造一个LDA分类器
                                 
                                  LDAClassifierObject = ClassificationDiscriminant。fit (featureSelcted groundTruthGroup,“DiscrimType”,“线性”);
                                 
                                  %预测resubstitution LDA的反应分类器
                                 
                                  [LDALabel, LDAScore] = resubPredict (LDAClassifierObject);
                                 
                                  %配合得分的概率
                                 
                                  [玻璃钢,TPR,用力推,AUC, OPTROCPT] = perfcurve (groundTruthNumericalLable (: 1), LDAScore (: 1), 1);

分数,即LDAScore商店所有的后验概率范围在[0,1]。

然而,计算的分数svmStruct(训练支持向量机的结构模型)有许多值大于1和一些有值。我们应该做一些正常化吗?例如:

                                  SVMScore = kfun (sv、Xnew kfunargs {}):“* alphaHat(:) +偏见;
                                 
                                  SVMScore = SVMScore. / max (SVMScore);

2。我不明白为什么我们需要这个翻转步骤:

                                  SVMScore = kfun (sv、Xnew kfunargs {}):“* alphaHat(:) +偏见;
                                 
                                  SVMScore = -SVMScore;%翻转信号得到的分数+ 1类

在我看来,我定义地面真理的第一个类标签1和第二个类标签1。我不需要翻转。

3所示。也要确保“Xnew”变量使用训练数据。对于交叉验证的情况,“Xnew”是训练数据在每一个褶皱,我说的对吗?

4所示。如果你有时间,你能解释一下这个方程:

SVMScore = kfun (sv、Xnew kfunargs {}):“* alphaHat(:) +偏见;

Matlab文件提到在哪里呢?否则,我将谷歌看看能不能完全明白这一点。

期待你的回复。再次非常感谢。

一个。