问题
I have 500 feature vectors and everyone is labelled in range 1-6 for 6 classes. I'm storing them in a mat file which looks like:
m=load('TrainingData')
m =
Labels: [1x500 double] % labels for each class in 1-6
Data: [500x20 double] % Vectors
According to some post on forum, I passed vectors in sparse format
TrData=sparse(m.Data);
Then I have passed this data to train svm using LIBSVM :
svm_model=svmtrain(Labels,TrData,'-c 1 -g 0.2 -b 1');
The generated model look like:
svm_model =
Parameters: [5x1 double]
nr_class: 6
totalSV: 500
rho: [18x1 double]
Label: [6x1 double]
sv_indices: [500x1 double]
ProbA: [18x1 double]
ProbB: [18x1 double]
nSV: [6x1 double]
sv_coef: [500x5 double]
SVs: [500x20 double]
Now I'm calculating feature vectors for 128 test files with labels
Test =
TLabels: [1x127 double]
TData: [127x20 double]
Where, labels of test data are unknown, simply used any random double values (as per readme file) . And then passing it to testing phase viz.
testin=sparse(Test.TData);
[lbl,accu,prob] = svmpredict(TLabels, testin, svm_model, '-b 1');
and the doubtful part is all 127 vectors have prob as :
prob =
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.0000 0.0000 0.0000 0.0000 0.0000 1.0000
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
0.1427 0.1427 0.1428 0.1436 0.1429 0.1427
With all labels 3 except one having all 0's as 6. And
Accuracy = 0.787402% (1/127) (classification)
Why is it so...?
来源：https://stackoverflow.com/questions/22637545/libsvm-same-labels-for-all-tests