Как предсказать новые данные с SVM Matlab?

Question

Я обучил и экспортировал модель SVM, используя приложение для учащихся. Но когда я пытаюсь предсказать метку на новых данных, я терплю неудачу. Мой код для обучения следующий:

function obj = trainClassifier(obj,datasetFolder)
            training = fullfile(datasetFolder,'train.mat');
            meta = fullfile(datasetFolder , 'meta.mat');
            save('meta.mat','meta');
            dataset = load(training);
            table = array2table(dataset.data);
            variableNames = table.Properties.VariableNames;
            table.class = dataset.labels;
            predictorNames = {'data1', 'data2', 'data3', 'data4', 'data5', 'data6', 'data7', 'data8', 'data9', 'data10', 'data11', 'data12', 'data13', 'data14', 'data15', 'data16', 'data17', 'data18', 'data19', 'data20', 'data21', 'data22', 'data23', 'data24', 'data25', 'data26', 'data27', 'data28', 'data29', 'data30', 'data31', 'data32', 'data33', 'data34', 'data35', 'data36', 'data37', 'data38', 'data39', 'data40', 'data41', 'data42', 'data43', 'data44', 'data45', 'data46', 'data47', 'data48', 'data49', 'data50', 'data51', 'data52', 'data53', 'data54', 'data55', 'data56', 'data57', 'data58', 'data59', 'data60', 'data61', 'data62', 'data63', 'data64', 'data65', 'data66', 'data67', 'data68', 'data69', 'data70', 'data71', 'data72', 'data73', 'data74', 'data75', 'data76', 'data77', 'data78', 'data79', 'data80', 'data81', 'data82', 'data83', 'data84', 'data85', 'data86', 'data87', 'data88', 'data89', 'data90', 'data91', 'data92', 'data93', 'data94', 'data95', 'data96', 'data97', 'data98', 'data99', 'data100', 'data101', 'data102', 'data103', 'data104', 'data105', 'data106', 'data107', 'data108', 'data109', 'data110', 'data111', 'data112', 'data113', 'data114', 'data115', 'data116', 'data117', 'data118', 'data119', 'data120', 'data121', 'data122', 'data123', 'data124', 'data125', 'data126', 'data127', 'data128', 'data129', 'data130', 'data131', 'data132', 'data133', 'data134', 'data135', 'data136', 'data137', 'data138', 'data139', 'data140', 'data141', 'data142', 'data143', 'data144'};
            predictors = table(:, variableNames);
            response = table.class;
            isCategoricalPredictor = [false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false];
            % Train a classifier
            % This code specifies all the classifier options and trains the classifier.
            template = templateSVM(...
                'KernelFunction', 'polynomial', ...
                'PolynomialOrder', 2, ...
                'KernelScale', 'auto', ...
                'BoxConstraint', 1, ...
                'Standardize', true);

            options = statset('UseParallel',true);

            classificationSVM = fitcecoc(...
                predictors, ...
                response, ...
                'Learners', template, ...
                'Coding', 'onevsone', ...
                'Options', options , ...
                'ClassNames', [1; 2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; 20; 21; 22; 23; 24; 25; 26; 27; 28; 29; 30; 31; 32; 33; 34; 35; 36; 37] , ...
                'Verbose',2);

            % Create the result struct with predict function
            predictorExtractionFcn = @(t) t(:, predictorNames);
            svmPredictFcn = @(x) predict(classificationSVM, x);
            obj.network.predictFcn = @(x) svmPredictFcn(predictorExtractionFcn(x));
            % Add additional fields to the result struct
            obj.network.RequiredVariables = {'data1', 'data2', 'data3', 'data4', 'data5', 'data6', 'data7', 'data8', 'data9', 'data10', 'data11', 'data12', 'data13', 'data14', 'data15', 'data16', 'data17', 'data18', 'data19', 'data20', 'data21', 'data22', 'data23', 'data24', 'data25', 'data26', 'data27', 'data28', 'data29', 'data30', 'data31', 'data32', 'data33', 'data34', 'data35', 'data36', 'data37', 'data38', 'data39', 'data40', 'data41', 'data42', 'data43', 'data44', 'data45', 'data46', 'data47', 'data48', 'data49', 'data50', 'data51', 'data52', 'data53', 'data54', 'data55', 'data56', 'data57', 'data58', 'data59', 'data60', 'data61', 'data62', 'data63', 'data64', 'data65', 'data66', 'data67', 'data68', 'data69', 'data70', 'data71', 'data72', 'data73', 'data74', 'data75', 'data76', 'data77', 'data78', 'data79', 'data80', 'data81', 'data82', 'data83', 'data84', 'data85', 'data86', 'data87', 'data88', 'data89', 'data90', 'data91', 'data92', 'data93', 'data94', 'data95', 'data96', 'data97', 'data98', 'data99', 'data100', 'data101', 'data102', 'data103', 'data104', 'data105', 'data106', 'data107', 'data108', 'data109', 'data110', 'data111', 'data112', 'data113', 'data114', 'data115', 'data116', 'data117', 'data118', 'data119', 'data120', 'data121', 'data122', 'data123', 'data124', 'data125', 'data126', 'data127', 'data128', 'data129', 'data130', 'data131', 'data132', 'data133', 'data134', 'data135', 'data136', 'data137', 'data138', 'data139', 'data140', 'data141', 'data142', 'data143', 'data144'};
            obj.network.ClassificationSVM = classificationSVM;
            obj.network.About = 'This struct is a trained model exported from Classification Learner R2018a.';
            obj.network.HowToPredict = sprintf('To make predictions on a new table, T, use: \n  yfit = c.predictFcn(T) \nreplacing ''c'' with the name of the variable that is this struct, e.g. ''trainedModel''. \n \nThe table, T, must contain the variables returned by: \n  c.RequiredVariables \nVariable formats (e.g. matrix/vector, datatype) must match the original training data. \nAdditional variables are ignored. \n \nFor more information, see <a href="matlab:helpview(fullfile(docroot, ''stats'', ''stats.map''), ''appclassification_exportmodeltoworkspace'')">How to predict using an exported model</a>.');

            % Perform cross-validation
            partitionedModel = crossval(obj.network.ClassificationSVM, 'KFold', 10, 'Options',options);

            % Compute validation predictions
            [validationPredictions, validationScores] = kfoldPredict(partitionedModel,'Options',options);
            % Compute validation accuracy
            validationAccuracy = 1 - kfoldLoss(partitionedModel, 'LossFun', 'ClassifError');

            waitbar(0.75,f,'Name','Training',sprintf('Classifier has validation accuracy of %2.2f.',validationAccuracy));
            pause(0.5)

            %set network to use accross tha gui app
            setappdata(f,'modal',obj.network);
            % to save the modal in current directory for later use
            obj.saveModal('modal',obj.network);
            delete(f);
end

и для прогнозирования новых данных я делаю это:

function annotations = annotate(obj,featuresArray)
            f = figure;
            annotations = [];
            tf = isappdata(f,'modal');
            if tf == 0
                obj.network = load('modal.mat'); 
            else
                obj.network = getappdata(f,'modal');
            end
            delete(f);
            table = array2table(featuresArray);
            variableNames = table.Properties.VariableNames;
            f = waitbar(0,'1','Name','Annotating Frames',...
                    'CreateCancelBtn','setappdata(gcbf,''canceling'',1)');
            s = size(featuresArray);
            for i=1:s
                flag_cancel = getappdata(f, 'canceling');
                if flag_cancel
                    waitbar(1,f,'Canceled');
                    F = findall(0,'type','figure','tag','TMWWaitbar');
                    delete(F);
                    return
                end
                annotations = [annotations ; obj.network.classifier.predictFcn(table(i,variableNames))];
                value = i/s;
                waitbar(value,f, sprintf('%3.1f percent completed ',value*100));
            end
            delete(f);
end

Но он выдает мне эту ошибку:

Error using Classifier>@(t)t(:,predictorNames) (line 84)
Unrecognized variable name 'data1'.

Error in Classifier>@(x)svmPredictFcn(predictorExtractionFcn(x)) (line 86)
            obj.network.predictFcn = @(x) svmPredictFcn(predictorExtractionFcn(x));

Мой предиктор при создании модальности такой же, как и мой переход к функции предвидения Пожалуйста, помогите мне

Answer 1

classificationSVM = fitcecoc(...) отслеживает ваш SVM и с помощью predict(classificationSVM, x) вы можете проверить его на данных. Дата x должна иметь тот же формат, что и обучающие данные, но, разумеется, не обязательно иметь те же значения.

Код Yout хранит выделенную функцию прогнозирования в выходной структуре: obj.network.predictFcn, которая предварительно обрабатывает входные данные с predictorExtractionFcn = @(t) t(:, predictorNames);, где происходит ваша ошибка. predictorNames predictorNames = {'data1', ... ,data144};. Я предполагаю, что вы обучили модель таблице с этими именами столбцов, но новые данные - это матрица или таблица с другими именами столбцов