用matlab做svm分类,用MatLab实现SVM分类

在当前数据挖掘和机器学习领域，最为热门的话题莫过于SVM和Boosting方法了。只要是涉及到这两个主题，那么论文就会容易被杂志和会议接受了。看来不管做什么，都讲究眼球效应啊。搞研究其实也有点类似超级女声，呵呵。

以前我的论文中用的SVM Code都来自于台湾的林智仁教授的LibSVM。真的是佩服有些大家，自己做出了重要的发现和成果，想到的不是把自己的成果保密起来(像C4.5一样)，让自己独享自己的成果；而是让自己的成果最大程度的被人所利用，给后来的研究人员打下一个坚实的基础。说实话，他的代码很好，用起来很方便，而且不同的语言版本实现都有，即使是对于初学者都很容易掌握。不过用的久了，我就想自己也实现SVM，现在的数学计算工具太多了，而且功能齐全，用起来方便。今天鼓捣了一会，终于用Matlab实现了第一个SVM。虽然比较简单，但是包含了大多数SVM的必要步骤。

这个实现是线性可分支持向量分类机，不考虑非线性分类引入核函数的情况，也不考虑推广条件下引入Penalty Loss的情况。

问题描述：平面上有如下点A = [1 1.5;2 1.5;3 1.5;4 1.5;1 0.5;2 0.5;3 0.5;4 0.5]及其对应的标号flag = [1 1 1 1 -1 -1 -1 -1];用SVM方法构造一个决策函数实现正确分类。

如果我们在二维坐标上描点，就会发现这是个很简单的线性可分问题。实现方法，用SVM 的对偶问题，转换为Matlab的有约束非线性规划问题。

构建m文件：

function f = ffsvm(x)

A = [1 1.5;2 1.5;3 1.5;4 1.5;1 0.5;2 0.5;3 0.5;4 0.5];

flag = [1 1 1 1 -1 -1 -1 -1];

for i=1:1:length(A)

for j=1:1:length(A)

normA(i,j) = A(i,:)*A(j,:)';

normFlag(i,j) = flag(1,i)*flag(1,j);

end

end

f = 0;

for i=1:1:length(A)

for j=1:1:length(A)

f = f + 1/2*(normA(i,j)*x(i)*x(j)*normFlag(i,j));

end

f = f - x(i);

end

在命令窗口输入：

Aeq = [1 1 1 1 -1 -1 -1 -1];

beq = 0;

lb = [ 0 0 0 0 0 0 0 0];

调用MatLab内置优化函数fmincon；