(Matlab)SVM工具箱快速入手簡易教程_第1頁
(Matlab)SVM工具箱快速入手簡易教程_第2頁
(Matlab)SVM工具箱快速入手簡易教程_第3頁
(Matlab)SVM工具箱快速入手簡易教程_第4頁
(Matlab)SVM工具箱快速入手簡易教程_第5頁
已閱讀5頁,還剩4頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、SVM工具箱快速入手簡易教程(by faruto)一. matlab 自帶的函數(shù)(matlab幫助文件里的例子)只有較新版本的matlab中有這兩個SVM的函數(shù)=svmtrain svmclassify=簡要語法規(guī)則=svmtrainTrain support vector machine classifierSyntaxSVMStruct = svmtrain(Training, Group)SVMStruct = svmtrain(., 'Kernel_Function', Kernel_FunctionValue, .)SVMStruct = svmtrain(., &#

2、39;RBF_Sigma', RBFSigmaValue, .)SVMStruct = svmtrain(., 'Polyorder', PolyorderValue, .)SVMStruct = svmtrain(., 'Mlp_Params', Mlp_ParamsValue, .)SVMStruct = svmtrain(., 'Method', MethodValue, .)SVMStruct = svmtrain(., 'QuadProg_Opts', QuadProg_OptsValue, .)SVMStruc

3、t = svmtrain(., 'SMO_Opts', SMO_OptsValue, .)SVMStruct = svmtrain(., 'BoxConstraint', BoxConstraintValue, .)SVMStruct = svmtrain(., 'Autoscale', AutoscaleValue, .)SVMStruct = svmtrain(., 'Showplot', ShowplotValue, .)-svmclassifyClassify data using support vector machi

4、neSyntaxGroup = svmclassify(SVMStruct, Sample)Group = svmclassify(SVMStruct, Sample, 'Showplot', ShowplotValue)=實(shí)例研究=load fisheriris%載入matlab自帶的數(shù)據(jù)有關(guān)數(shù)據(jù)的信息可以自己到UCI查找,這是UCI的經(jīng)典數(shù)據(jù)之一,得到的數(shù)據(jù)如下圖:tu11.jpg (7.94 KB)2009-5-12 19:50其中meas是150*4的矩陣代表著有150個樣本每個樣本有4個屬性描述,species代表著這150個樣本的分類.data = meas(:,1

5、), meas(:,2);%在這里只取meas的第一列和第二列,即只選取前兩個屬性.groups = ismember(species,'setosa');%由于species分類中是有三個分類:setosa,versicolor,virginica,為了使問題簡單,我們將其變?yōu)槎诸悊栴}:Setosa and non-Setosa.train, test = crossvalind('holdOut',groups);cp = classperf(groups);%隨機(jī)選擇訓(xùn)練集合測試集有關(guān)crossvalind的使用請自己help一下其中cp作用是后來用來評

6、價分類器的.svmStruct = svmtrain(data(train,:),groups(train),'showplot',true);%使用svmtrain進(jìn)行訓(xùn)練,得到訓(xùn)練后的結(jié)構(gòu)svmStruct,在預(yù)測時使用.訓(xùn)練結(jié)果如圖:tu22.jpg (26.86 KB)2009-5-12 19:50classes = svmclassify(svmStruct,data(test,:),'showplot',true);%對于未知的測試集進(jìn)行分類預(yù)測,結(jié)果如圖:tu33.jpg (37.34 KB)2009-5-12 19:50classperf(cp,

7、classes,test);cp.CorrectRateans =    0.9867%分類器效果測評,就是看測試集分類的準(zhǔn)確率的高低.二.臺灣林智仁的libsvm工具箱該工具箱下載libsvm-mat-2.86-1: libsvm-mat-2.86-1.rar (73.75 KB) libsvm-mat-2.86-1.rar (73.75 KB)下載次數(shù): 3732009-5-12 20:02安裝方法也很簡單,解壓文件,把當(dāng)前工作目錄調(diào)整到libsvm所在的文件夾下,再在set path里將libsvm所在的文件夾加到里面.然后在命令行里輸入mex -setup 

8、; %選擇一下編譯器make 這樣就可以了.建議大家使用libsvm工具箱,這個更好用一些.可以進(jìn)行分類多類別,預(yù)測.=svmtrainsvmpredict=簡要語法:Usage=matlab> model = svmtrain(training_label_vector, training_instance_matrix , 'libsvm_options');        -training_label_vector:         &

9、#160;  An m by 1 vector of training labels (type must be double).        -training_instance_matrix:            An m by n matrix of m training instances with n features.            It ca

10、n be dense or sparse (type must be double).        -libsvm_options:            A string of training options in the same format as that of LIBSVM.matlab> predicted_label, accuracy, decision_values/prob_estimates = svmpredict(tes

11、ting_label_vector, testing_instance_matrix, model , 'libsvm_options');        -testing_label_vector:            An m by 1 vector of prediction labels. If labels of test            da

12、ta are unknown, simply use any random values. (type must be double)        -testing_instance_matrix:            An m by n matrix of m testing instances with n features.            It can be

13、dense or sparse. (type must be double)        -model:            The output of svmtrain.        -libsvm_options:            A string of testing options in the s

14、ame format as that of LIBSVM.Returned Model Structure=實(shí)例研究:load heart_scale.mat%工具箱里自帶的數(shù)據(jù)如圖:tu44.jpg (9.36 KB)2009-5-12 20:08其中 heart_scale_inst是樣本,heart_scale_label是樣本標(biāo)簽model = svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07');%訓(xùn)練樣本,具體參數(shù)的調(diào)整請看幫助文件predict_label, accuracy, dec_valu

15、es = svmpredict(heart_scale_label, heart_scale_inst, model);%分類預(yù)測,這里把訓(xùn)練集當(dāng)作測試集,驗(yàn)證效果如下:>> predict_label, accuracy, dec_values = svmpredict(heart_scale_label, heart_scale_inst, model); % test the training dataAccuracy = 86.6667% (234/270) (classification)=這回把SVM這點(diǎn)入門的東西都說完了,大家可以參照著上手了,有關(guān)SVM的原理我下面有個簡易的PPT,是以前做項(xiàng)目時我做的當(dāng)時我負(fù)責(zé)有關(guān)SVM這一塊代碼實(shí)現(xiàn)講解什么的,感興趣的你可以看看,都是上手較快的東西,想要深入學(xué)習(xí)SVM,你的學(xué)習(xí)統(tǒng)計學(xué)習(xí)理論什么的.挺多的呢.SVM.ppt (391 KB) SVM.ppt (391 KB)下載次數(shù): 4292009-5-12 20:1

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論