| Operatoren |
get_prep_info_class_svm — Berechnen des Informationsgehaltes der vorverarbeiteten Merkmalsvektoren einer Support-Vektor-Maschine.
get_prep_info_class_svm( : : SVMHandle, Preprocessing : InformationCont, CumInformationCont)
get_prep_info_class_svm berechnet den Informationsgehalt der mit der durch Preprocessing gegebenen Vorverarbeitung transformierten Komponenten der Trainingsvektoren. Preprocessing kann auf 'principal_components' oder 'canonical_variates' gesetzt werden. Die zu Grunde liegenden Vorverarbeitungen sind bei create_class_svm beschrieben. Der Informationsgehalt wird aus die Variation der transformierten Komponenten der Trainingsvektoren berechnet, d.h. er wird rein aufgrund der Trainingsdaten unabhängig von einer Fehlerrate bei einer Klassifikation der Trainingsdaten berechnet. Der Informationsgehalt wird für alle relevanten Komponenten der transformierten Merkmalsvektoren (NumFeatures für 'principal_components' und min(NumClasses - 1, NumFeatures) für 'canonical_variates', siehe create_class_svm) in InformationCont zurückgegeben. Der Informationsgehalt wird als eine Zahl zwischen 0 und 1 dargestellt. Ein prozentualer Informationsgehalt kann leicht durch Multiplikation mit 100 berechnet werden. Der kumulierte Informationsgehalt der ersten n Komponenten wird in der n-ten Komponente von CumInformationCont zurückgegeben, d.h. CumInformationCont enthält die Summen der ersten n Elemente von InformationCont. Um get_prep_info_class_svm verwenden zu können, müssen mit add_sample_class_svm oder read_samples_class_svm genügend viele Trainingsmuster zu der durch SVMHandle gegebenen SVM hinzugefügt werden.
InformationCont und CumInformationCont können dazu verwendet werden, um zu entscheiden, wie viele Komponenten der transformierten Merkmalsvektoren relevante Information enthalten. Ein oft verwendetes Kriterium ist z.B. zu verlangen, dass die transformierten Daten x% (z.B. 90%) der Daten enthalten sollten. Dies kann leicht anhand des ersten Wertes von CumInformationCont, der über x% liegt, bestimmt werden. Der so erhaltene Wert kann bei einem neuerlichen Aufruf von create_class_svm als NumComponents verwendet werden. Da zum Aufruf von get_prep_info_class_svm schon eine SVM mit create_class_svm erzeugt werden muss, also auch ein initialer Wert von NumComponents bei create_class_svm angegeben werden muss, aber bei Verwendung von get_prep_info_class_svm typischerweise noch nicht bekannt ist, wie viele Komponenten relevant sind, empfiehlt sich folgendes zweistufiges Vorgehen, um NumComponents zu bestimmen: In einem ersten Schritt wird eine SVM mit der maximalen Anzahl von NumComponents (NumFeatures für 'principal_components' und min(NumClasses - 1, NumFeatures) für 'canonical_variates') erzeugt. Dann werden die Trainingsmuster zu der SVM hinzugefügt und mit write_samples_class_svm in eine Datei gespeichert. Anschließend wird mit get_prep_info_class_svm der Informationsgehalt der Komponenten und somit NumComponents bestimmt. Danach wird eine neue SVM mit der gewünschten Anzahl Komponenten erzeugt, und die abgespeicherten Trainingsdaten mit read_samples_class_svm wieder eingelesen. Hierauf wird die SVM mit train_class_svm trainiert.
Handle der SVM.
Art der Vorverarbeitung (Transformation) der Merkmalsvektoren.
Defaultwert: 'principal_components'
Werteliste: 'canonical_variates', 'principal_components'
Relativer Informationsgehalt der transformierten Merkmalsvektoren.
Kumulierter Informationsgehalt der transformierten Merkmalsvektoren.
* Create the initial SVM
create_class_svm (NumFeatures, 'rbf', 0.01, 0.01, NumClasses,\
'one-versus-all', 'normalization', NumFeatures,\
SVMHandle)
* Generate and add the training data
for J := 0 to NumData-1 by 1
* Generate training features and classes
* Data = [...]
* Class = ...
add_sample_class_svm (SVMHandle, Data, Class)
endfor
write_samples_class_svm (SVMHandle, 'samples.mtf')
* Compute the information content of the transformed features
get_prep_info_class_svm (SVMHandle, 'principal_components',\
InformationCont, CumInformationCont)
* Determine NumComp by inspecting InformationCont and CumInformationCont
* NumComp = [...]
clear_class_svm (SVMHandle)
* Create the actual SVM
create_class_svm (NumFeatures, 'rbf', 0.01, 0.01, NumClasses, \
'one-versus-all', 'principal_components', \
NumComp, SVMHandle)
* Train the SVM
read_samples_class_svm (SVMHandle, 'samples.mtf')
train_class_svm (SVMHandle, 0.001, 'default')
write_class_svm (SVMHandle, 'classifier.svm')
clear_class_svm (SVMHandle)
Sind die Parameterwerte korrekt, dann liefert get_prep_info_class_svm den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird eine Fehlerbehandlung durchgeführt.
Falls get_prep_info_class_svm den Fehler 9211 (Matrix ist nicht positiv definit) bei Preprocessing = 'canonical_variates' zurückliefert, bedeutet dies typischerweise, dass für die verschiedenen Klassen zu wenige Trainingsmuster gespeichert worden sind.
add_sample_class_svm, read_samples_class_svm
clear_class_svm, create_class_svm
Christopher M. Bishop: „Neural Networks for Pattern Recognition“;
Oxford University Press, Oxford; 1995.
Andrew Webb: „Statistical Pattern Recognition“; Arnold, London;
1999.
Foundation
| Operatoren |