Sim_tr = Compute_Sim(Sig_Y(unique(Ytr), :), Sig_Y(unique(Ytr), :), Sim_scale, Sim_type); Sim_te = Compute_Sim(Sig_Y(unique(Yte), :), Sig_Y(unique(Ytr), :), Sim_scale, Sim_type); V = pinv(Sim_tr) * W; Ypred_te = test_V(V, Sim_te, Xte, Yte); acc_te = evaluate_easy(Ypred_te, Yte); disp(acc_te); save(['../SynC_results/SynC_fast_' opt.loss_type '_' dataset '_split' num2str(opt.ind_split) '_' feature_name '_' norm_method '_' Sim_type... '_lambda' num2str(lambda) '_Sim_scale' num2str(Sim_scale) '.mat'], 'W', 'V', 'lambda', 'Sim_scale', 'acc_te');
时间: 2024-02-04 15:02:31 浏览: 65
这段代码是测试阶段的最后一部分。首先,基于训练集的标签 `Ytr` 计算训练集的相似度矩阵 `Sim_tr`,并基于测试集的标签 `Yte` 和训练集的标签 `Ytr` 计算测试集的相似度矩阵 `Sim_te`。
然后,使用矩阵求逆和矩阵乘法计算出投影矩阵 `V`。接下来,使用 `V`、`Sim_te`、`Xte` 和 `Yte` 调用函数 `test_V()` 进行测试集的预测,并将预测结果与真实标签计算准确率赋给变量 `acc_te`。
最后,打印出测试集的准确率,并将权重 `W`、投影矩阵 `V`、参数 `lambda`、参数 `Sim_scale` 和测试集准确率 `acc_te` 保存到文件中。文件名根据参数值进行命名。
相关问题
acc_val = zeros(length(opt.lambda), length(opt.Sim_scale)); for i = 1 : length(opt.lambda) load(['../SynC_CV_classifiers/SynC_fast_' opt.loss_type '_classCV_' dataset '_split' num2str(opt.ind_split) '_' feature_name '_' norm_method '_' Sim_type... '_lambda' num2str(opt.lambda(i)) '.mat'], 'W_record'); for j = 1 : nr_fold Ybase = Ytr; Ybase(fold_loc{j}) = []; Xval = Xtr(fold_loc{j}, :); Yval = Ytr(fold_loc{j}); W = W_record{j}; for k = 1 : length(opt.Sim_scale) Sim_base = Compute_Sim(Sig_Y(unique(Ybase), :), Sig_Y(unique(Ybase), :), opt.Sim_scale(k), Sim_type); Sim_val = Compute_Sim(Sig_Y(unique(Yval), :), Sig_Y(unique(Ybase), :), opt.Sim_scale(k), Sim_type); V = pinv(Sim_base) * W; Ypred_val = test_V(V, Sim_val, Xval, Yval); acc_val(i, k) = acc_val(i, k) + evaluate_easy(Ypred_val, Yval) / nr_fold; end clear W; end clear W_record;
这段代码是在进行交叉验证的过程中计算验证集的准确率。首先,`acc_val` 是一个大小为 `length(opt.lambda)` 行、`length(opt.Sim_scale)` 列的全零矩阵,用来存储每个参数组合下的准确率。
然后,通过一个外层循环遍历 `opt.lambda`,加载相应的模型文件。接下来,通过一个内层循环遍历 `nr_fold`(可能是交叉验证的折数),进行每一折的验证。
在每一折中,首先根据当前折的索引 `fold_loc{j}`,从训练集 `Ytr` 中移除相应的样本,得到新的 `Ybase` 和 `Xval`、`Yval`。然后加载对应的权重 `W`。
接下来,通过一个嵌套循环遍历 `opt.Sim_scale`,计算基于 `Ybase` 的相似度矩阵 `Sim_base` 和基于 `Yval` 和 `Ybase` 的相似度矩阵 `Sim_val`。然后使用矩阵求逆和矩阵乘法计算出投影矩阵 `V`。
最后,使用 `V`、`Sim_val`、`Xval` 和 `Yval` 调用函数 `test_V()` 进行预测,并将预测结果与真实标签计算准确率,并将其累加到 `acc_val(i, k)` 中。
在每一折循环结束后,清除权重 `W`。在外层循环结束后,清除加载的模型文件 `W_record`。
%% Starting of EXEM training [mean_Xtr_PCA, V] = do_pca(Xtr); Xtr = bsxfun(@minus, Xtr, mean_Xtr_PCA); Xte = bsxfun(@minus, Xte, mean_Xtr_PCA); % SVR kernel Ker_S = [(1 : length(label_S))', exp(-gamma * pdist2_fast(Sig_S, Sig_S) .^ 2)]; Ker_U = [(1 : length(label_U))', exp(-gamma * pdist2_fast(Sig_U, Sig_S) .^ 2)]; % PCA projection mapped_Xtr = Xtr * V(:, 1 : pca_d); mapped_Xte = Xte * V(:, 1 : pca_d); [mean_Xtr, std_Xtr] = compute_class_stat(Ytr, mapped_Xtr); avg_std_Xtr = mean(std_Xtr, 1); mean_S_rec = zeros(size(Sig_S, 1), pca_d); mean_U_rec = zeros(size(Sig_U, 1), pca_d); mean_U = zeros(size(Sig_U, 1), pca_d); regressors = cell(1, pca_d);
这段代码是EXEM(Extended Exemplar-based Method)训练的开始部分。
首先,使用函数 do_pca 对 Xtr 进行主成分分析(PCA),得到均值 mean_Xtr_PCA 和变换矩阵 V。然后,使用 bsxfun 函数对 Xtr 和 Xte 进行均值归一化,减去 mean_Xtr_PCA。
接下来,构建 SVR(Support Vector Regression)的核矩阵。通过计算 Sig_S 和 Sig_U 之间的欧氏距离的平方,并乘以 -gamma,然后应用指数函数,得到核矩阵 Ker_S 和 Ker_U。其中,Ker_S 包含已知类别样本的索引和对应的核值,Ker_U 包含未知类别样本的索引和对应的核值。
然后,使用 PCA 投影将 Xtr 和 Xte 转换到降维空间。通过将 Xtr 和 Xte 分别乘以前 pca_d 列的特征向量矩阵 V,得到投影后的数据 mapped_Xtr 和 mapped_Xte。
接下来,使用函数 compute_class_stat 计算 Ytr 和 mapped_Xtr 之间的类别统计信息,包括每个类别的均值 mean_Xtr 和标准差 std_Xtr。然后,计算所有类别的平均标准差 avg_std_Xtr。
最后,初始化用于记录重构样本和回归器的变量。mean_S_rec 和 mean_U_rec 是用于重构的已知类别和未知类别样本的均值,mean_U 是未知类别样本的均值,regressors 是用于回归的回归器的单元格数组。