Accord.Net Multiclass SVM DynamicTimeWarping Ausnahme

Question

Ich möchte dynamische Zeitverzerren und Svm kombinieren, um als Klassifikator zu verwenden. Ich benutze Accord .net, aber es ist etwas falsch mit meinem Code, hier ist mein Code:

 double[][] inputs = new double[100][]; 
     for(int i = 0; i < linesX.Length; i++) 
     { 
      inputs[i] = Array.ConvertAll(linesX[i].Split(','), Double.Parse); 
     } 
     int[] outputs = Array.ConvertAll(linesY, s => int.Parse(s));  

     // Create the Sequential Minimal Optimization learning algorithm 
     var smo = new MulticlassSupportVectorLearning<DynamicTimeWarping>() 
     { 
      // Set the parameters of the kernel 
      Kernel = new DynamicTimeWarping(alpha: 1, degree: 1) 
     }; 

     // And use it to learn a machine! 
     var svm = smo.Learn(inputs, outputs); 

     // Now we can compute predicted values 
     int[] predicted = svm.Decide(inputs); 

     // And check how far we are from the expected values 
     double error = new ZeroOneLoss(outputs).Loss(predicted); 

Meine Eingänge (100.800), Ausgänge (100,1), wird es in dieser Zeile eine Ausnahme sein : var svm = smo.Learn(inputs, outputs); Die Ausnahme ist “System.AggregateException” happens in Accord.MachineLearning.dll Was ist falsch mit meinem Code

Answer 1

Bitte beachten Sie die richtige Einrichtung HERE. Sie weisen die Eigenschaft Learner nicht zu.

Hier ist Ihr modifizierten Code mit einigen zufälligen Eingangsdaten:

static void Main(string[] args) 
    { 
     Random r = new Random(); 

     double[][] inputs = new double[10][]; 
     int[] outputs = new int[10]; 

     for (int i = 0; i < 10; i++) 
     { 
      inputs[i] = new double[8]; 
      for (int j = 0; j < 8; j++) 
      { 
       inputs[i][j] = r.Next(1, 100); 
      } 
      outputs[i] = r.Next(1, 6); 
     } 

     var smo = new MulticlassSupportVectorLearning<DynamicTimeWarping>() 
     { 
      Learner = (param) => new SequentialMinimalOptimization<DynamicTimeWarping>() 
      { 
       Kernel = new DynamicTimeWarping(alpha: 1, degree: 1), 
      } 
     }; 

     var svm = smo.Learn(inputs, outputs); 

     int[] predicted = svm.Decide(inputs); 

     double error = new ZeroOneLoss(outputs).Loss(predicted); 

     Console.WriteLine(); 
     Console.WriteLine("output = \n{0}", Matrix.ToString(outputs)); 
     Console.WriteLine(); 
     Console.WriteLine("predicted = \n{0}", Matrix.ToString(predicted)); 
     Console.WriteLine(); 
     Console.WriteLine("error = {0}", error); 
     Console.ReadLine(); 
    } 

die so etwas wie diese produzieren:

output = 
2 3 1 2 1 2 2 3 5 1 

predicted = 
2 1 1 2 1 2 2 2 2 1 

error = 0.3