Question

我已经为男性和女性图片提取了HOG功能，现在，我尝试使用 Leave-one-out-method 对我的数据进行分类。由于在Matlab中编写它的标准方法是：

[Train, Test] = crossvalind('LeaveMOut', N, M);

我应该写什么而不是N和M？另外，我应该在循环内部或外部写上面的代码语句吗？这是我的代码，我有男性（80个图像）和女性（80个图像）的培训文件夹，另一个用于测试（10个随机图像）。

for i = 1:10  
 [Train, Test] = crossvalind('LeaveMOut', N, 1);
 SVMStruct = svmtrain(Training_Set (Train), train_label (Train));
 Gender = svmclassify(SVMStruct, Test_Set_MF (Test)); 
end

注意：

Training_Set：数组由训练文件夹图像的HOG功能组成。
Test_Set_MF：一个数组由测试文件夹图像的HOG功能组成。
N：培训文件夹中的图片总数。
SVM应检测哪些图像是男性，哪些是女性。

Answer 1

我将重点介绍如何将crossvalind用于 leave-one-out -method。

我假设你想在循环中选择随机集。 N是数据向量的长度。 M是Test中随机选择的观察数。 M分别是Train中遗漏的观察数量。N。这意味着您必须将M设置为训练集的长度。使用Test，您可以在Train输出中指定所需的值，也可以在M=2 - 输出中分别指出。

以下是一个示例，从数据集中选择dataset = [1 2 3 4 5 6 7 8 9 10]; N = length(dataset); M = 2; for i = 1:5 [Train, Test] = crossvalind('LeaveMOut', N, M); % do whatever you want with Train and Test dataset(Test) % display the test-entries end个观察结果。

ans =
     1     9
ans =
     6     8
ans =
     7    10
ans =
     4     5
ans =
     4     7

此输出：（这是随机生成的，因此您不会获得相同的结果）

Training_Set = rand(10,3);     % 10 samples with 3 features each

N = size(Training_Set,1);
M = 2;

for i = 1:5
    [Train, Test] = crossvalind('LeaveMOut', N, 2);
    Training_Set(Train,:) % displays the data to train
end

根据this post，如果您的代码 ，则需要根据功能矩阵进行调整：

-dealloc

在Matlab中留出一个crossvalind

1 个答案: