我已经使用他们的神经网络取得了一些成功,但无法弄清楚如何设置多类SVM.@H_403_3@
文档有这样的说法：@H_403_3@
“这是一个由一个或多个支持向量机(SVM)支持的网络.它的设计功能与Encog神经网络非常相似,并且在很大程度上可与Encog神经网络互换.分类用于你希望SVM将输入数据分组到一个或多个类中.支持向量机通常只有一个输出.神经网络可以有多个输出神经元.为了解决这个问题,如果有多个SVM,这个类将创建多个SVM输出指定“@H_403_3@
但是我看不出如何指定多个输出,实际上输出属性只返回1：@H_403_3@
/// <value>For a SVM,the output count is always one.</value>
public int OutputCount
{
get { return 1; }
}
Java或c#中的答案非常感谢@H_403_3@
编辑仍然无法解决这个问题.真的很享受使用Encog,但支持论坛只有Jeff Heaton(项目的作者)在他有机会时自己回答,所以即时联系项目代码并添加赏金,希望有人能看到我明显缺少的东西.@H_403_3@
该项目：
http://heatonresearch.com/@H_403_3@
Google代码上的SupportVectorMachine类：
https://code.google.com/p/encog-cs/source/browse/trunk/encog-core/encog-core-cs/ML/SVM/SupportVectorMachine.cs@H_403_3@
解决方法
基本上Encog DOES支持多类SVM.您不需要像神经网络那样需要多个输出.您只需使用单个输出训练它,并且输出是类号,即0.0,1.0,2.0等等,具体取决于您拥有的类数.@H_403_3@
这适用于Encog的Java和C#版本.我在C#中做了这个例子.@H_403_3@
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using Encog.ML.SVM;
using Encog.ML.Data;
using Encog.ML.Data.Basic;
using Encog.ML.Train;
using Encog.ML.SVM.Training;
namespace MultiClassSVM
{
class Program
{
///
/// Input for function,normalized to 0 to 1.
///
public static double[][] ClassificationInput = {
new[] {0.0,0.0},new[] {0.1,new[] {0.2,new[] {0.3,new[] {0.4,0.5},new[] {0.5,new[] {0.6,new[] {0.7,new[] {0.8,new[] {0.9,0.5}
};
///
/// Ideal output,these are class numbers,a total of four classes here (0,1,2,3).
/// DO NOT USE FRACTIONAL CLASSES (i.e. there is no class 1.5)
///
public static double[][] ClassificationIdeal = {
new[] {0.0},new[] {0.0},new[] {1.0},new[] {2.0},new[] {3.0},new[] {3.0}
};
static void Main(string[] args)
{
// create a neural network,without using a factory
var svm = new SupportVectorMachine(2,false); // 2 input,& false for classification
// create training data
IMLDataSet trainingSet = new BasicMLDataSet(ClassificationInput,ClassificationIdeal);
// train the SVM
IMLTrain train = new SVMSearchTrain(svm,trainingSet);
int epoch = 1;
do
{
train.Iteration();
Console.WriteLine(@"Epoch #" + epoch + @" Error:" + train.Error);
epoch++;
} while (train.Error > 0.01);
// test the SVM
Console.WriteLine(@"SVM Results:");
foreach (IMLDataPair pair in trainingSet)
{
IMLData output = svm.Compute(pair.Input);
Console.WriteLine(pair.Input[0]
+ @",actual=" + output[0] + @",ideal=" + pair.Ideal[0]);
}
Console.WriteLine("Done");
}
}
}
