SVM代码实例运行结果.pdf

SVM 实例运行 在 Matlab 中带有 SVM 的函数，并且能够自动生成需要的数据，在此主要是熟悉 SVM 算法的使用方法，而对于算法本身的数学原理没有深刻的认识（待深入）。Matlab 中提供了一个 Fisher 关于识别花的种类的数据自动生成方法，使用命令可以直接调用。 以下给出了 Matlab 中使用 SVM 去识别花种类的代码和实验结果： %%命令 1：load fisheriris 该命令加载待识别的花儿的数据，包括： 1）返回变量 meas：150x4 的矩阵，其中四列表示的是花萼的长度，花萼的宽度，花瓣 的长度，花瓣的宽度。 5.1 3.5 1.4 0.2 4.9 3 1.4 0.2 4.7 3.2 1.3 0.2 4.6 3.1 1.5 0.2 5 3.6 1.4 0.2 5.4 3.9 1.7 0.4 4.6 3.4 1.4 0.3 ……….. 2）返回变量 species：150x1 的矩阵，其中每 50 行表示一种类别的花，共三类。这个类 别矩阵用来指示返回变量 meas 中每一行数据是啥种类的花。 %%命令 2：data = [meas(:,1), meas(:,2)]; 该命令用来取出 meas 矩阵中的第一列和第二列（为简化实验，让观测值为二维）。 %%命令 3：groups = ismember(species,setosa); 该命令取出 species 矩阵中的花分为两类，一类是 setosa（多刚毛）种类的花儿，另一 类是非 setosa 种类的花。并将结果以一个 boolean 值矩阵形式保存在 groups 中。 %%命令 5：[train, test] = crossvalind(holdOut,groups); 该命令将数据平均分为两部分，一部分用作训练，一部分用作测试。 %%命令 6：cp = classperf(groups); 该命令用 cp 保存实验的正确率等的评估，cp 这个变量随着实验的进行不断更新当前的 正确率等评估变量。 %%命令 7：svmStruct = svmtrain(data(train,:),groups(train),showplot,true); 该命令是 SVM 的训练函数，并将最后训练结果保存在 svmStruct 结构中。此条命令执 行的结果得到下面的图示。 4.5 0 1 Support Vectors 4 3.5 3 2.5 2 4 4.5 5 5.5 6 6.5 7 7.5 8 %%命令 8：classes = svmclassify(svmStruct,data(test,:),showplot,true); 该命令，用于测试数据。结果如下： 4.5 0 (training)