SVM熟练到精通5：MATLAB实例

最新推荐文章于 2024-07-21 11:21:04 发布

沈子恒

最新推荐文章于 2024-07-21 11:21:04 发布

阅读量8.6k

点赞数 3

分类专栏：深度学习|图像分割

本文链接：https://blog.csdn.net/shenziheng1/article/details/53884984

版权

本文通过MATLAB详细介绍了支持向量机（SVM）的实现过程，包括源代码的编写与分类结果的解析。

摘要由CSDN通过智能技术生成

1.源代码

clc;
clear all;
close all;
load fisheriris;
%matlab自带分类数据集fisheriris，来源于http://archive.ics.uci.edu/ml/ 中的risi数据，
%其数据类别分为3类，setosa，versicolor，virginica.每类植物有50个样本，共150个。
%每个样本有4个属性，分别为花萼长，花萼宽，花瓣长，花瓣宽。

%其中meas是150*4的矩阵代表着有150个样本每个样本有4个属性描述
%species代表着这150个样本的分类.

data = [meas(:,1),meas(:,2)];  %构建测试数据
%在这里只取meas的第一列和第二列,即只选取前两个特征

groups = ismember(species,'setosa'); %构建测试结果
%由于species分类中是有三个分类:setosa,versicolor,virginica
%为了使问题简单,我们将其变为二分类问题:Setosa and non-Setosa.

[train,test] = crossvalind('holdOut',groups,0.5);
%生成交叉验证指标  [Train, Test] = crossvalind('HoldOut', N, P)
%返回一个逻辑值的标记向量，从N个观察样本中随机选取（或近似于）P*N个样本作为测试集。
%故P应为0-1，缺省值为0.5。

cp = classperf(groups);
%评估分类器性能

svmStruct = svmtrain(data(train,:),groups(tra