【SVM分类】基于支持向量机的数据分类预测(libsvm)附matlab代码

最新推荐文章于 2024-09-25 09:39:11 发布

matlab科研社

最新推荐文章于 2024-09-25 09:39:11 发布

阅读量2.2k

点赞数 8

文章标签：支持向量机分类 matlab 算法机器学习

本文链接：https://blog.csdn.net/Matlab_dashi/article/details/131624166

版权

该文介绍了如何利用libsvm库进行支持向量机(SVM)的数据分类。步骤包括数据准备、特征选择与提取、预处理、模型建立、训练、评估和优化。文中还提供了一段MATLAB代码示例，展示数据归一化、模型训练及性能评价的过程。

摘要由CSDN通过智能技术生成

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

⛄ 内容介绍

基于支持向量机(Support Vector Machine，SVM)的数据分类预测是一种常用的机器学习方法，用于将数据划分为不同的类别。在这里，我将介绍基于libsvm库实现SVM分类的基本步骤。

数据准备：首先，准备用于训练和测试的数据集。数据集应包含已标记的样本，每个样本都有一组特征和对应的类别标签。
特征提取与选择：根据问题的需求，从原始数据中提取出适当的特征作为输入。特征选择可以帮助提高分类性能，减少不必要的维度。
数据预处理：对数据进行预处理操作，如特征缩放、标准化、归一化等，以确保不同特征之间具有相似的尺度。
建立模型：使用libsvm库，选择适当的核函数和参数配置来建立SVM分类模型。常用的核函数包括线性核、多项式核和高斯径向基函数(RBF)核。
训练模型：将准备好的训练数据输入到libsvm库中，根据选择的核函数和参数进行模型训练。训练过程将找到最优的超平面，以最大化不同类别之间的间隔。
模型评估：使用测试数据集对训练好的模型进行评估，计算分类准确率、精确率、召回率、F1值等指标，以评估模型的性能。
模型优化：根据评估结果和需求，调整SVM模型的参数配置，如核函数的参数、正则化参数等，以进一步优化分类性能。
预测分类：使用训练好的SVM模型对新的未知样本进行分类预测。将样本的特征输入到模型中，根据模型的判定边界将其分为不同的类别。

libsvm是一个常用的SVM库，提供了多种编程语言的接口，如C++, Java, Python等。通过调用相应的接口函数，可以方便地实现SVM分类任务，并进行模型训练和预测。

⛄ 部分代码

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%%  导入数据
res = xlsread('数据集.xlsx');

%%  划分训练集和测试集
temp = randperm(357);

P_train = res(temp(1: 240), 1: 12)';
T_train = res(temp(1: 240), 13)';
M = size(P_train, 2);

P_test = res(temp(241: end), 1: 12)';
T_test = res(temp(241: end), 13)';
N = size(P_test, 2);

%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input );
t_train = T_train;
t_test  = T_test ;

%%  转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';

%%  创建模型
c = 10.0;      % 惩罚因子
g = 0.01;      % 径向基函数参数
cmd = ['-t 2', '-c', num2str(c), '-g', num2str(g)];
model = svmtrain(t_train, p_train, cmd);

%%  仿真测试
T_sim1 = svmpredict(t_train, p_train, model);
T_sim2 = svmpredict(t_test , p_test , model);

%%  性能评价
error1 = sum((T_sim1' == T_train)) / M * 100;
error2 = sum((T_sim2' == T_test )) / N * 100;

%%  数据排序
[T_train, index_1] = sort(T_train);
[T_test , index_2] = sort(T_test );

T_sim1 = T_sim1(index_1);
T_sim2 = T_sim2(index_2);

%%  绘图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['准确率=' num2str(error1) '%']};
title(string)
grid

figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']};
title(string)
grid

%%  混淆矩阵
figure
cm = confusionchart(T_train, T_sim1);
cm.Title = 'Confusion Matrix for Train Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';
    
figure
cm = confusionchart(T_test, T_sim2);
cm.Title = 'Confusion Matrix for Test Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';