SVM实例及Matlab代码
本帖最后由 不服输的倔强 于 2019-7-2 15:26 编辑数据集：
一、实验目的1．掌握支持向量机（SVM）的原理、核函数类型选择以及核参数选择原则等；2．熟悉基于libSVM二分类的一般流程与方法；二、实验内容 1．对“bedroom， forest”两组数据进行分类（二分类）； 2．得到试验分类准确率；三、实验条件1．LibSVM软件包，3.17版本；2． Matlab 2013a。四、实验方法与流程(1) 试验流程：Step1: 根据给定的数据，选定训练集和测试集；Step2: 为训练集与测试集选定标签集；Step3: 利用训练集进行训练分类器得到model；Step4: 根据model，对测试集进行测试集得到accuracyrate；(2) 实验数据准备：“bedroom.mat”10*15的矩阵，分别代表了不同的十张有关于bedroom的图片的15维属性；“forest.mat”10*15矩阵，分别代表了不同的十张有关于forest的图片的15维属性特征；训练集：trainset(); 分别取bedroom(1:5,: )和forse(1:5,: )作为训练集；测试集：testset();分别取bedroom(6:10,: )和forse(6:10,: )作为测试集；标签集：label(); 取bedroom的数据为正类标签为1；forse的数据为负类标签为-1.(3) Matlab程序与实验结果：
附录：matlab代码%% SVM数据分类预测---作业数据%%%*****write by Taozhang 2014.04.16%%clear all;clc;%%% 作业中提供的数据已做整理，不在单独导入；load dataset.mat %导入要分类的数据集load labelset.mat %导入分类集标签集
% 选定训练集和测试集
% 将第一类的1-5,第二类的11-15做为训练集train_set =;% 相应的训练集的标签也要分离出来train_set_labels =;% 将第一类的6-10,第二类的16-20,做为测试集test_set =;% 相应的测试集的标签也要分离出来test_set_labels =;
% 数据预处理,将训练集和测试集归一化到区间
= size(train_set); = size(test_set);
test_dataset = ;% mapminmax为MATLAB自带的归一化函数 =mapminmax(test_dataset',0,1);dataset_scale = dataset_scale';
train_set = dataset_scale(1:mtrain,: );test_set = dataset_scale((mtrain+1): (mtrain+mtest),: );
%% SVM网络训练model = svmtrain(train_set_labels,train_set, '-s 2 -c 1 -g 0.07');
%% SVM网络预测 =svmpredict(test_set_labels, test_set, model);
%% 结果分析
% 测试集的实际分类和预测分类图% 通过图可以看出只有一个测试样本是被错分的figure;hold on;plot(test_set_labels,'o');plot(predict_label,'r*');xlabel('测试集样本','FontSize',12);ylabel('类别标签','FontSize',12);legend('实际测试集分类','预测测试集分类');title('测试集的实际分类和预测分类图','FontSize',12);grid on;
http://img.blog.csdn.net/20160120152532465?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center程序运行结果：optimization finished, #iter = 5nu = 0.643949obj = -4.304693, rho = -0.008725nSV = 8, nBSV = 6Total nSV = 8Accuracy = 100% (10/10) (classification) 关于支持向量机（SVM）的一个简单应用实例及matlab代码
页:
[1]