SVM+HOG 目标检测器

Question

我运行在训练 SVM+HOG 对象检测器时遇到了一个问题，这就是我所做的。我将所有功能放在一个名为 features 的列表中并使用

X_scaler = StandardScaler().fit(features)
scaled_X = X_scaler.transform(features)
rand_state = np.random.randint(0, 100)
X_train, X_test, y_train, y_test = train_test_split(np.array(features), labels, test_size=0.3, random_state=rand_state)

根据sklearn.preprocessing.StandardScaler，StandardScaler()中的这个t运行sformation是基于所有训练样本的均值和标准差。那么问题来了，如果我只想在 1 个新看到的样本上测试我训练的 SVM，我该如何应用 StandardScaler()？因为我无法仅从 1 个样本计算平均值和标准偏差。

根据我的理解，如果我想在新数据（不是 x_test）上测试 SVM，我需要遵循与训练相同的步骤。因此，我尝试从多个新看到的样本中提取 HOG 特征并附加到另一个名为 test_feature 的列表，然后

X_scaler = StandardScaler().fit(test_feature)
scaled_X = X_scaler.transform(test_feature_feature)

似乎工作正常并且SVM产生正确的输出，但是当len(test_feature) == 1时，无论我使用StandardScaler()到t运行sform test_feature还是直接使用y_pred = clf.predict(np.array(test_feature))，输出都是垃圾

有意见吗？

Answer 1

只需调用 transform。正如您所说，标准缩放器在转换数据时使用训练集的均值和标准差。已使用训练集计算出的相同均值和标准差将应用于新数据。无需重新计算这些参数。

from sklearn.preprocessing import StandardScaler
data = [[0, 0], [0, 0], [1, 1], [1, 1]]
scaler = StandardScaler()
# calling fit will calculate the mean and std
print(scaler.fit(data))
# print out the calcualted mean for example
print(scaler.mean_)
# transform a new data point
print(scaler.transform([[2, 2]]))

Answer 2

您只需要在训练数据上拟合您的 StandardScaler() 否则您的均值和方差将有偏差，因为它们是使用测试数据计算的。安装此转换器后，您可以对测试数据和新样本执行 transform()，这将根据计算的均值和方差对它们进行缩放。

你应该：

train_test_split()
fit() 你的 StandardScaler() 使用训练数据
fit() 您的模型使用转换后的训练集
transform()你的测试数据
predict() 转换测试数据

如下：

X_train, X_test, y_train, y_test = train_test_split(np.array(features), labels, test_size=0.3, random_state=rand_state)

scaler = StandardScaler()
    
X_train = scaler.fit_transform(X_train)

clf.fit(X_train, y_train)

X_test = scaler.transform(X_test)

clf.predict(X_train)

SVM+HOG 目标检测器

SVM+HOG object detector

python

scikit-learn

svm