matlab使用libsvm入门教程——使用matlab安装配置libsvm以及一个svm分类实例

前言

此教程专注于刚入门的小白， 且博客拥有时效性， 发布于2019年3月份， 可能后面的读者会发现一些问题， 欢迎底下评论出现的问题，我将尽可能更新解决方案。

我开始也在如何安装libsvm上出现了很多问题， 而网上的解决方案大都有一些问题，且发布时间比较早， 方案已经过时，于是我把经历的坑总结起来，供大家学习

版本声明

我的matlab版本为2016a， win10系统， 安装的是最新版的libsvm， version3.2.3

一，配置libsvm

1.首先需要下载libsvm包：

http://www.csie.ntu.edu.tw/~cjlin/libsvm/

2.将libsvm3.2.3解压到matlab/toolbox目录下：

若不知道路径在哪， 可以点击设置路径来找到

3. 在设置路径里把刚才加入的libsvm3.2.3 加入到路径

注意matlab和windows这两个文件夹都要加入 否则将会出错

4.将当前路径设置到libsvm 3.2.3/matlab 后，在命令行窗口运行

mex -setup

若已经安装c++编译环境则会出现下面的情况， （我已经安装过VS 2017了） 若提示没有c++编译环境则需要自己安装环境了，

直接点击用c++编译

5. 源码编译

打开当前目录下的make.m文件

将其中所的CFLAGS替换为COMPFLAGS（替换运用CTRL+F即可），替换后执行make则可以编译成功。（这里我已经改完了， 一般没改的话 都是CFLAGS） 这里也就是以前教程忽略的一点，没有这一步将出现编译失败

编译完之后可以得到多出的这四个后缀为mexw64文件， 这说明我们已经完成安装了

二， 使用libsvm进行分类

首先给出实例地址 方便下载 https://github.com/wangjiwu/BreastTissue_classify_matlab

这里给出了101个数据， 每一个数据都有9个特征和一个分类标签

用这些数据来生成测试集和训练集， 得到模型并且测试，分类

代码流程

• I. 清空环境变量
• II. 导入数据
• III. 数据归一化
• IV. SVM创建/训练(RBF核函数)
• V. SVM仿真测试
• VI. 绘图

I. 清空环境变量

clear all
clc

II. 导入数据

load BreastTissue_data.mat

1. 随机产生训练集和测试集

n = randperm(size(matrix,1));

2. 训练集——80个样本

train_matrix = matrix(n(1:80),:);
train_label = label(n(1:80),:);

3. 测试集——26个样本

test_matrix = matrix(n(81:end),:);
test_label = label(n(81:end),:);

III. 数据归一化

%% III. 数据归一化
[Train_matrix,PS] = mapminmax(train_matrix');
Train_matrix = Train_matrix';
Test_matrix = mapminmax('apply',test_matrix',PS);
Test_matrix = Test_matrix';

IV. SVM创建/训练(RBF核函数)

这里使用的是交叉验证的方法 选出等距的多种c和g训练找到最合适的c和g，如果训练时间较长可以直接输入参数，跳过这一步

cmd = ' -t 2 -c 42.2243 -g 2.639' 

若参数不知道具体的代表意思可参考此博客
https://blog.csdn.net/mrfortitude/article/details/59558037

[c,g] = meshgrid(-10:0.2:10,-10:0.2:10);
[m,n] = size(c);
cg = zeros(m,n);
eps = 10^(-4);
v = 5;
bestc = 1;
bestg = 0.1;
bestacc = 0;
for i = 1:m
    for j = 1:n
        cmd = ['-v ',num2str(v),' -t 2',' -c ',num2str(2^c(i,j)),' -g ',num2str(2^g(i,j))];
        cg(i,j) = svmtrain(train_label,Train_matrix,cmd);
        if cg(i,j) > bestacc
            bestacc = cg(i,j);
            bestc = 2^c(i,j);
            bestg = 2^g(i,j);
        end
        if abs( cg(i,j)-bestacc )<=eps && bestc > 2^c(i,j)
            bestacc = cg(i,j);
            bestc = 2^c(i,j);
            bestg = 2^g(i,j);
        end
    end
end
cmd = [' -t 2',' -c ',num2str(bestc),' -g ',num2str(bestg)];

创建/训练SVM模型

model = svmtrain(train_label,Train_matrix,cmd);

V. SVM仿真测试

注意一定要 传入3个参数而不是两个， 且 测试lable 是m1的矩阵， 测试矩阵是mn的矩阵 m为样本个数， n为特征个数

[predict_label_1,accuracy_1,prob_estimates] = svmpredict(train_label,Train_matrix,model);
[predict_label_2,accuracy_2,prob_estimates2] = svmpredict(test_label,Test_matrix,model);
result_1 = [train_label predict_label_1];
result_2 = [test_label predict_label_2];

结果如下

VI. 绘图

figure
plot(1:length(test_label),test_label,'r-*')
hold on
plot(1:length(test_label),predict_label_2,'b:o')
grid on
legend('真实类别','预测类别')
xlabel('测试集样本编号')
ylabel('测试集样本类别')
string = {'测试集SVM预测结果对比(RBF核函数)';
          ['accuracy = ' num2str(accuracy_2(1)) '%']};
title(string)

转载于:https://www.cnblogs.com/qq874455953/p/10792576.html