Как лучше изменить процент обучения и тестирования во время процесса разделения?

Question

Используя метод PCA и базу данных Yale , я пытаюсь работать с распознаванием лиц в Matlab путем случайного разделения процесса обучения на 20% и процесса тестирования на 80%. Он получает

Индекс в позиции 2 превышает границы массива (не должен превышать 29)

ошибка. Ниже приведен код, в надежде получить помощь:

dataset = load('yale_FaceDataset.mat');

trainSz = round(dataset.samples*0.2);
testSz = round(dataset.samples*0.8);

trainSetCell = cell(1,trainSz*dataset.classes);
testSetCell = cell(1,testSz*dataset.classes);

j = 1;
k = 1;
m = 1;
for i = 1:dataset.classes
    % training set
    trainSetCell(k:k+trainSz-1) = dataset.images(j:j+trainSz-1);
    trainLabels(k:k+trainSz-1) = dataset.labels(j:j+trainSz-1);
    k = k+trainSz;
    % test set
    testSetCell(m:m+testSz-1) = dataset.images(j+trainSz:j+dataset.samples-1);
    testLabels(m:m+testSz-1) = dataset.labels(j+trainSz:j+dataset.samples-1);
    m = m+testSz;
    j = j+dataset.samples;
end
% convert the data from a cell into a matrix format
numImgs = length(trainSetCell);
trainSet = zeros(numImgs,numel(trainSetCell{1}));
for i = 1:numImgs
    trainSet(i,:) = reshape(trainSetCell{i},[],1);
end
numImgs = length(testSetCell);

testSet = zeros(numImgs,numel(testSetCell{1}));
for i = 1:numImgs
    testSet(i,:) = reshape(testSetCell{i},[],1);
end


%% applying PCA
% compute the mean face
mu = mean(trainSet)';

% centre the training data
trainSet = trainSet - (repmat(mu,1,size(trainSet,1)))';

% generate the eigenfaces(features of the training set)
eigenfaces = pca(trainSet);

% set the number of principal components
Ncomponents = 100;

% Out of the generated components, we keep "Ncomponents"
eigenfaces = eigenfaces(:,1:Ncomponents);

% generate training features
trainFeatures = eigenfaces' * trainSet';

% Subspace projection
% centre features
testSet = testSet - (repmat(mu,1,size(testSet,1)))';

% subspace projection
testFeatures = inv(eigenfaces'*eigenfaces) * eigenfaces' * testSet';

mdl = fitcdiscr(trainFeatures',trainLabels);
labels = predict(mdl,testFeatures');


% find the images that were recognised and their respect. labels
correctRec = find(testLabels == labels');
correctLabels = labels(correctRec);

% find the images that were NOT recognised and their respect. labels
falseRec = find(testLabels ~= labels');
falseLabels = labels(falseRec);


% compute and display the recognition rate
result = length(correctRec)/length(testLabels)*100;
fprintf('The recognition rate is: %0.3f \n',result);

% divide the images into : recognised and unrecognised
correctTest = testSetCell(correctRec);
falseTest = testSetCell(falseRec);

% display some recognised samples and their respective labels
imgshow(correctTest(1:8),correctLabels(1:8));

% display all unrecognised samples and their respective labels
imgshow(falseTest(1:length(falseTest)), falseLabels(1:length(falseTest)));

Answer 1

было бы неплохо, если бы вы указали также номер строки и полное сообщение об ошибке, и если бы вы разделили свой код до необходимого. Я думаю, PCA-вещи здесь не нужны, так как ошибка возникает, вероятно, в вашем l oop. Это потому, что вы увеличиваете j на j = j+dataset.samples; и берете это в следующем наборе l oop для индексации j:j+trainSz-1, которое теперь должно превышать dataset.samples ...

Тем не менее, есть нет случайности в индексации. Проще всего использовать встроенную функцию cvpartition:

% split data 
cvp = cvpartition(Lbl,'HoldOut',.2);
lgTrn = cvp.training;
lgTst = cvp.test;

В качестве первого ввода вы можете указать количество классов (в данном случае Lbl) или фактический вектор класса, позволяющий cvpartition выбирать случайные подмножества, отражающие исходное распределение отдельных классов.