『ML笔记』Matlab中如何使用libsvm进行分类

最新推荐文章于 2021-03-18 14:12:55 发布

AI新视界

最新推荐文章于 2021-03-18 14:12:55 发布

阅读量8.2k

点赞数 22

分类专栏： Machine Learning学习笔记文章标签： Machine Learning Libsvm

引用请附上作者博客链接https://zhangkaifang.blog.csdn.net/，谢谢理解！

本文链接：https://blog.csdn.net/abc13526222160/article/details/88994056

版权

Machine Learning学习笔记专栏收录该内容

70 篇文章 34 订阅

订阅专栏

文章目录

一. 入门案例

1.1. 分类的小例子–根据身高体重进行性别预测

本博客针对刚刚接触libsvm（svm）的同学如何利用libsvm进行分类预测，关于参数寻优的问题在这里姑且不谈，另有帖子详述。如果没有安装libsvm；参考博客 libsvm安装使用小结
其实使用libsvm进行分类很简单，只需要有属性矩阵和标签，然后就可以建立分类模型（model），然后利用得到的这个model进行分类预测了。
那什么是属性矩阵？什么又是标签呢？我举一个直白的不能在直白的例子：

例如：说一个班级里面有两个男生（男生1、男生2），两个女生（女生1、女生2），其中
男生1 身高：176cm 体重：70kg；男生2 身高：180cm 体重：80kg；女生1 身高：161cm 体重：45kg；女生2 身高：163cm 体重：47kg；

如果我们将男生定义为1，女生定义为-1，并将上面的数据放入矩阵train_data中，即:

train_data = [176 70;
        180 80;
        161 45;
        163 47];

在label中存入男女生类别标签（1、-1），即:

train_label = [1;1;-1;-1];

这样上面的train_data矩阵就是一个属性矩阵，行数4代表有4个样本，列数2表示属性有两个，label就是标签（1、-1表示有两个类别：男生、女生）。
现在回归正题，有了上面的属性矩阵train_data，和标签train_label就可以利用libsvm建立分类模型了，简要代码如下：

model = svmtrain(train_label,train_data);

有了model我们就可以做分类预测，比如此时该班级又转来一个新学生，其身高190cm，体重85kg
我们想通过上面这些信息就给出其标签（想知道其是男【1】还是女【-1】）。比如令 testdata = [190 85]; 由于其标签我们不知道，我们假设其标签为-1（也可以假设为1）。话归正传，即：

test_data = [190 85];
test_label = -1;

然后利用libsvm来预测这个新来的学生是男生还是女生，代码如下：

[predictlabel,accuracy] = svmpredict(testdatalabel,testdata,model)

下面我们整体运行一下上面这段代码，也有结果的：

% 使用Libsvm进行分类的小例子
% 训练数据和标签
train_data = [176 70;
        180 80;
        161 45;
        163 47];
train_label = [1;1;-1;-1];

% 建立模型
model = svmtrain(train_label,train_data);

% 测试数据和标签
test_data = [190 85];
test_label = -1;

% 预测
[predict_label,accuracy,dec_value] = svmpredict(test_label,test_data,model);
predict_label
if 1 == predict_label
    disp('该生为男生');
end
if -1 == predict_label
    disp('该生为女生');
end

运行结果显示：

1.2. 回归的小例子 $y=x^2$

利用训练集合已知的x,y来建立回归模型 model ，然后利用这个 model 去预测。
本例中的x相当于1.1中的属性矩阵train_data ，y 相当于其中的 train_label ；相应的回归问题中 x 就是自变量，y 就是因变量。

%% 使用Libsvm进行回归的小例子
% 生成待回归的数据
x = (-1:0.1:1)';
y = -x.^2;               %矩阵中的每个元素都求平方

 % 建模回归模型
model = svmtrain(y,x,'-s 3 -t 2 -c 2.2 -g 2.8 -p 0.01');
 
% 利用建立的模型看其在训练集合上的回归效果
[py,mse,dec_value] = svmpredict(y,x,model);
 
scrsz = get(0,'ScreenSize');
figure('Position',[scrsz(3)*1/4 scrsz(4)*1/6  scrsz(3)*4/5 scrsz(4)]*3/4);
plot(x,y,'o');
hold on;
plot(x,py,'r*');
legend('原始数据','回归数据');
grid on;
 
% 进行预测
testx = 1.1;
display('真实数据')
testy = -testx.^2
 
[ptesty,tmse,tdec_value] = svmpredict(testy,testx,model);
display('预测数据');
ptesty

二. 参数详解

2.1. 主要函数

LIBSVM工具箱的主要函数为 svmtrain 和 svmpredict ,其调用格式为：

model = svmtrain(train_label,train_data,options);
[predict_label,accuracy/mse,dec_value] = svmpredict(test_label,test_data,model);

2.2. options 参数

options的参数设置可以按照 SVM 的类型和核函数所支持的参数进行任意组合。如果设置的参数在函数或 SVM 类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。主要有：

- s svm类型：SVM模型设置类型（默认值为0）
    0：C - SVC
    1:nu - SVC
    2：one - class SVM
    3: epsilon - SVR
    4: nu - SVR
- t 核函数类型：核函数设置类型（默认值为2）
    0:线性核函数 u'v
    1:多项式核函数(r *u'v + coef0)^degree
    2:RBF 核函数 exp( -r|u - v|^2)
    3:sigmiod核函数 tanh(r * u'v + coef0)
- d degree:核函数中的 degree 参数设置（针对多项式核函数，默认值为3）
- g r(gama):核函数中的gama参数设置（针对多项式/sigmoid 核函数/RBF/，默认值为属性数目的倒数）
- r coef0:核函数中的coef0参数设置(针对多项式/sigmoid核函数，默认值为0)
- c cost:设置 C - SVC,epsilon - SVR 和 nu - SVR的参数（默认值为1）
- n nu:设置 nu-SVC ，one - class SVM 和 nu - SVR的参数
- p epsilon:设置 epsilon - SVR 中损失函数的值（默认值为0.1）
- m cachesize:设置 cache 内存大小，以 MB 为单位（默认值为100）
- e eps:设置允许的终止阈值（默认值为0.001）
- h shrinking：是否使用启发式，0或1（默认值为1）
- wi weight:设置第几类的参数 C 为 weight * C（对于 C - SVC 中的 C，默认值为1）
- v n:n - fold 交互检验模式，n为折数，必须大于等于2

2.3. 分类模型 model 解析

测试数据使用 LIBSVM 工具箱自带的 heart_scale.mat 数据（共计270个样本，每个样本有13个属性）。测试代码如下：

clear;
clc;
close all;
 
% 首先载入数据
[label,data]=libsvmread('heart_scale');
% 建立分类模型
model = svmtrain(label,data,'-s 0 -t 2 -c 1.2 -g 2.8');
% 利用建立的模型看其在训练集合上的分类效果
[PredictLabel, accuracy, dec_values] = svmpredict(label,data, model);

% 分类模型model解密
% <br>model<br>Parameters = model.Parameters
% Label = model.Label
% nr_class = model.nr_class
% totalSV = model.totalSV
% nSV = model.nSV

svmtrain 的输出 model：

optimization finished, #iter = 505	%iter为迭代次数
nu = 0.679187						%nu 是你选择的核函数类型的参数
obj = -113.509601, rho = 0.051363   %obj为SVM文件转换为的二次规划求解得到的最小值
nSV = 259, nBSV = 18				%nSV 为标准支持向量个数(0<a[i]<c)；nBSV为边界上的支持向量个数(a[i]=c)；
Total nSV = 259						%nBSV为边界上的支持向量个数(a[i]=c)；对于两类来说，因为只有一个分类模型Total nSV = nSV，
                                    %但是对于多类，这个是各个分类模型的nSV之和
model = 
  包含以下字段的 struct:			

    Parameters: [5×1 double]		%结构体变量，依次保存的是 -s -t -d -g -r等参数
      nr_class: 2				    %分类的个数   
       totalSV: 259				    %总的支持向量个数
           rho: 0.0514				%b=-model.rho
         Label: [2×1 double]
    sv_indices: [259×1 double]
         ProbA: []
         ProbB: []
           nSV: [2×1 double]	    %每一类的支持向量的个数
       sv_coef: [259×1 double]	    %支持向量的系数
           SVs: [259×13 double]	    %具体的支持向量，以稀疏矩阵的形式存储
% 其中：
%    w*x+b=0 中
%      w=model.SVs'*model.sv_coef
%      b=-model.rho
% w是高维空间中分类 超平面的法向量，b是常数项。

model.Paramenters %参数表

Parameters =
         0
    2.0000
    3.0000
    2.8000
         0
```c
-  model.Paraments 参数意义从上到下依次为

```c
-s svm类型：SVM模型设置类型（默认值为0）
 
- t 核函数类型：核函数设置类型（默认值为2）
 
- d degree:核函数中的 degree 参数设置（针对多项式核函数，默认值为3）
 
- g r(gama):核函数中的gama参数设置（针对多项式/sigmoid 核函数/RBF/，默认值为属性数目的倒数）
 
- r coef0:核函数中的coef0参数设置(针对多项式/sigmoid核函数，默认值为0)

model.Label model.nr_class

model.label 表示数据集中类别的标签都有什么

model.nr_class 表示数据集职工有多少个类别

model.totalSV model.nSV

model.total SV 代表总共的支持向量机的数目，这里一共259个。
model.nSV 代表每类样本的支持向量的数目，model.nSV 所代表的顺序是和 model.label 相对应。 标签为1的样本118个，标签为-1的样本 141 个。

model.sv_coef model.SVs model.rho

sv_coef: [259x1 double]
    SVs: [259x13 double]<br>  model.rho = 0.0514

sv_coef，承装的是259个支持向量在决策函数中的系数；
model.SVs 承装的是259个支持向量；
model.rho = 0.0514   是决策函数中的常数项的相反数。

accuracy

返回参数accuracy 从上到下的意义依次是：

分类准确率，分类问题中用到的参数指标；

平均平方误差（ mean squared error,MSE），回归问题中用到的参数指标；

平方相关系数（ squared correlation coefficient ，r2），回归问题中用到的参数指标。
$\mathrm{MSE}=\frac{1}{n} \sum_{i=1}^{n}\left(f\left(x_{i}\right)-y_{i}\right)^{2}$
$r^{2}=\frac{\left(n \sum_{i=1}^{n} f\left(x_{i}\right) y_{i}-\sum_{i=1}^{n} f\left(x_{i}\right) \sum_{i=1}^{n} y_{i}\right)^{2}}{\left(n \sum_{i=1}^{n} f\left(x_{i}\right)^{2}-\left(\sum_{i=1}^{n} f\left(x_{i}\right)\right)^{2}\right)\left(n \sum_{i=1}^{n} y_{i}^{2}-\left(\sum_{i=1}^{n} y_{i}\right)^{2}\right)}$

三. 决策函数

3.1. 理论分析

3.2. 代码实现

function plabel = DecisionFunction(x,model)
gamma = model.Parameters(4);
RBF = @(u,v)( exp(-gamma.*sum( (u-v).^2) ) );
len = length(model.sv_coef);
y = 0;
for i = 1:len
    u = model.SVs(i,:);
    y = y + model.sv_coef(i)*RBF(u,x);
end
b = -model.rho;
y = y + b;
if y >= 0
    plabel = 1;
else
    plabel = -1;
end

AI新视界

关注

22
点赞
踩
127

收藏

觉得还不错? 一键收藏
打赏
1
评论
『ML笔记』Matlab中如何使用libsvm进行分类

文章目录一、入门案例1.1、分类的小例子--根据身高体重进行性别预测一、入门案例1.1、分类的小例子–根据身高体重进行性别预测本博客针对刚刚接触libsvm（svm）的同学如何利用libsvm进行分类预测，关于参数寻优的问题在这里姑且不谈，另有帖子详述。如果没有安装libsvm；参考博客 libsvm安装使用小结其实使用libsvm进行分类很简单，只需要有属性矩阵和标签，然后就可...
复制链接

扫一扫