SVM matlab exemple

Question

code shown here J'essaie de mettre en œuvre SVM pour la classification. L'objectif est de sortir la grille d'origine correcte d'un signal d'alimentation (fichier .wav). Les grilles sont intitulées A-I et il y a 93 signaux au total pour l'ensemble d'entraînement et 49 signaux d'entraînement. J'ai une matrice 93x10x36 de vecteurs de caractéristiques. Est-ce que quelqu'un sait pourquoi je reçois les erreurs montrées? TrainCorrectGrid et Training_Cepstrum1 ont tous deux 93 lignes donc je ne comprends pas quel est le problème. Toute aide est grandement appréciée.

error shown here

La fonction multisvm est montré ici:

function [result] = multisvm(TrainingSet,GroupTrain,TestSet) 
%Models a given training set with a corresponding group vector and 
%classifies a given test set using an SVM classifier according to a 
%one vs. all relation. 
% 
%This code was written by Cody Neuburger cneuburg@fau.edu 
%Florida Atlantic University, Florida USA 
%This code was adapted and cleaned from Anand Mishra's multisvm function 
%found at http://www.mathworks.com/matlabcentral/fileexchange/33170-multi-class-support-vector-machine/ 

u=unique(GroupTrain); 
numClasses=length(u); 
result = zeros(length(TestSet(:,1)),1); 

%build models 
for k=1:numClasses 
    %Vectorized statement that binarizes Group 
    %where 1 is the current class and 0 is all other classes 
    G1vAll=(GroupTrain==u(k)); 
    models(k) = svmtrain(TrainingSet,G1vAll); 
end 

%classify test cases 
for j=1:size(TestSet,1) 
    for k=1:numClasses 
     if(svmclassify(models(k),TestSet(j,:))) 
      break; 
     end 
    end 
    result(j) = k; 
end 

Answer 1

SVM sont généralement de un contre un ou un contre tous les classificateurs. Cependant, il existe des moyens de les modifier pour obtenir une classification multiclasse.

This package implémente une telle manière.

Voici un exemple de code pour utiliser le package

TrainingSet=[ 1 10;2 20;3 30;4 40;5 50;6 66;3 30;4.1 42]; 
TestSet=[3 34; 1 14; 2.2 25; 6.2 63]; 
GroupTrain=[1;1;2;2;3;3;2;2]; 
results = multisvm(TrainingSet, GroupTrain, TestSet); 
disp('multi class problem'); 
disp(results);