MATLAB数学建模——SVM支持向量机

最新推荐文章于 2024-11-21 16:51:57 发布
最新推荐文章于 2024-11-21 16:51:57 发布
阅读量1.8k 收藏 19
点赞数 19
分类专栏： MATLAB数学建模 文章标签： 数学建模 matlab 支持向量机
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wjw_154378/article/details/142062595
版权

1. 加载数据

load fisheriris
X = meas; % 输入特征矩阵，包含花瓣长度、花瓣宽度、萼片长度、萼片宽度
Y = species; % 标签数据，包含三类鸢尾花品种

2. 分割数据集为训练集和测试集

% 使用随机数生成器确保每次运行的结果一致
rng(1); % 固定随机数种子

% 随机划分数据，30%作为测试集，70%作为训练集
cv = cvpartition(Y,'HoldOut',0.3);
XTrain = X(training(cv),:);
YTrain = Y(training(cv));
XTest = X(test(cv),:);
YTest = Y(test(cv));

 3. 训练多分类支持向量机模型

% 使用fitcecoc处理多分类问题
SVMModel = fitcecoc(XTrain, YTrain, ...
    'Learners', templateSVM('KernelFunction', 'linear'), ... % 使用线性核函数
    'Coding', 'onevsall', ...  % one-vs-all编码方式
    'ClassNames', unique(YTrain)); % 指定类标签

4. 模型预测

% 对测试集进行预测，得到预测的标签和决策值
[label, score] = predict(SVMModel, XTest);

% 打印预测结果与实际标签对比
disp('预测标签与实际标签对比：');
table(YTest, label, 'VariableNames', {'实际标签', '预测标签'})

运行结果如下 

       实际标签           预测标签    
    ______________    ______________

    {'setosa'    }    {'setosa'    }
    {'setosa'    }    {'setosa'    }
    {'setosa'    }    {'setosa'    }
    {'setosa'    }    {'setosa'    }
    {'setosa'    }    {'setosa'    }
    {'setosa'    }    {'setosa'    }
    {'setosa'    }    {'setosa'    }
    {'setosa'    }    {'setosa'    }
    {'setosa'    }    {'setosa'    }
    {'setosa'    }    {'setosa'    }
    {'setosa'    }    {'setosa'    }
    {'setosa'    }    {'setosa'    }
    {'setosa'    }    {'setosa'    }
    {'setosa'    }    {'setosa'    }
    {'setosa'    }    {'setosa'    }
    {'versicolor'}    {'versicolor'}
    {'versicolor'}    {'versicolor'}
    {'versicolor'}    {'versicolor'}
    {'versicolor'}    {'versicolor'}
    {'versicolor'}    {'virginica' }
    {'versicolor'}    {'versicolor'}
    {'versicolor'}    {'versicolor'}
    {'versicolor'}    {'virginica' }
    {'versicolor'}    {'versicolor'}
    {'versicolor'}    {'versicolor'}
    {'versicolor'}    {'virginica' }
    {'versicolor'}    {'versicolor'}
    {'versicolor'}    {'versicolor'}
    {'versicolor'}    {'versicolor'}
    {'versicolor'}    {'versicolor'}
    {'virginica' }    {'virginica' }
    {'virginica' }    {'versicolor'}
    {'virginica' }    {'virginica' }
    {'virginica' }    {'virginica' }
    {'virginica' }    {'virginica' }
    {'virginica' }    {'virginica' }
    {'virginica' }    {'virginica' }
    {'virginica' }    {'virginica' }
    {'virginica' }    {'virginica' }
    {'virginica' }    {'virginica' }
    {'virginica' }    {'virginica' }
    {'virginica' }    {'virginica' }
    {'virginica' }    {'virginica' }
    {'virginica' }    {'virginica' }
    {'virginica' }    {'virginica' }

5. 交叉验证与模型评估

% 使用5折交叉验证来评估模型的泛化性能
CVSVMModel = crossval(SVMModel, 'KFold', 5);

% 计算交叉验证的分类错误率
classLoss = kfoldLoss(CVSVMModel);
disp(['5折交叉验证的分类错误率：', num2str(classLoss)])

运行结果如下：

5折交叉验证的分类错误率：0.038095

6. 超参数调整（网络搜索）

% 定义正则化参数的搜索范围
boxConstraint = logspace(-2, 2, 5); % 正则化参数

% 使用超参数调优，找到最优参数组合
t = templateSVM('KernelFunction', 'linear');
[Mdl, HyperparameterOptimizationResults] = fitcecoc(XTrain, YTrain, ...
    'Learners', t, ...
    'OptimizeHyperparameters', {'BoxConstraint'}, ...
    'HyperparameterOptimizationOptions', struct('AcquisitionFunctionName', ...
    'expected-improvement-plus'));

 

 

7. 可视化

% 可视化调参前后的决策边界（前提条件：使用二维特征进行分类）

% 为了简化可视化，我们仅使用前两个特征进行训练
SVMModel2D = fitcecoc(XTrain(:, 1:2), YTrain, ...
    'Learners', templateSVM('KernelFunction', 'linear'));

% 绘制决策边界
figure;
gscatter(XTrain(:,1), XTrain(:,2), YTrain);
hold on;

% 获取支持向量
sv = SVMModel2D.BinaryLearners{1}.SupportVectors;

% 检查支持向量的维度
if size(sv, 2) == 2
    % 如果支持向量是二维的，则绘制
    plot(sv(:,1),sv(:,2),'ko','MarkerSize',10); % 支持向量
else
    % 如果支持向量是其他维度的，则打印警告信息
    disp('支持向量的维度不为二维，无法绘制。');
end

title('线性核函数的支持向量机决策边界');
xlabel('萼片长度');
ylabel('萼片宽度');
legend('Location','Best');
hold off;

运行结果如下：

% 绘制决策区域
d = 0.02;
[x1Grid,x2Grid] = meshgrid(min(XTrain(:,1)):d:max(XTrain(:,1)), min(XTrain(:,2)):d:max(XTrain(:,2)));
xGrid = [x1Grid(:),x2Grid(:)];
[~,scores1] = predict(SVMModel2D,xGrid);

figure;
contourf(x1Grid, x2Grid, reshape(scores1(:,2),size(x1Grid)), 'LineColor','none');
colormap jet;
colorbar;
hold on;
gscatter(XTrain(:,1), XTrain(:,2), YTrain, 'rb','.');
title('SVM 决策区域');
xlabel('萼片长度');
ylabel('萼片宽度');
hold off;

% 可视化混淆矩阵
figure;
confusionchart(YTest, label);
title('测试集的混淆矩阵');

 

 完整代码如下：

% 清空工作区，关闭所有图形窗口，清空命令行
clear; clc; close all;

%% 1. 加载数据
% 这里使用MATLAB内置的Fisher's Iris数据集
load fisheriris
X = meas; % 输入特征矩阵，包含花瓣长度、花瓣宽度、萼片长度、萼片宽度
Y = species; % 标签数据，包含三类鸢尾花品种

%% 2. 分割数据集为训练集和测试集
% 使用随机数生成器确保每次运行的结果一致
rng(1); % 固定随机数种子

% 随机划分数据，30%作为测试集，70%作为训练集
cv = cvpartition(Y,'HoldOut',0.3);
XTrain = X(training(cv),:);
YTrain = Y(training(cv));
XTest = X(test(cv),:);
YTest = Y(test(cv));

%% 3. 训练多分类支持向量机模型
% 使用fitcecoc处理多分类问题
SVMModel = fitcecoc(XTrain, YTrain, ...
    'Learners', templateSVM('KernelFunction', 'linear'), ... % 使用线性核函数
    'Coding', 'onevsall', ...  % one-vs-all编码方式
    'ClassNames', unique(YTrain)); % 指定类标签

%% 4. 模型预测
% 对测试集进行预测，得到预测的标签和决策值
[label, score] = predict(SVMModel, XTest);

% 打印预测结果与实际标签对比
disp('预测标签与实际标签对比：');
table(YTest, label, 'VariableNames', {'实际标签', '预测标签'})

%% 5. 交叉验证与模型评估
% 使用5折交叉验证来评估模型的泛化性能
CVSVMModel = crossval(SVMModel, 'KFold', 5);

% 计算交叉验证的分类错误率
classLoss = kfoldLoss(CVSVMModel);
disp(['5折交叉验证的分类错误率：', num2str(classLoss)])

%% 6. 超参数调整（网格搜索）
% 定义正则化参数的搜索范围
boxConstraint = logspace(-2, 2, 5); % 正则化参数

% 使用超参数调优，找到最优参数组合
t = templateSVM('KernelFunction', 'linear');
[Mdl, HyperparameterOptimizationResults] = fitcecoc(XTrain, YTrain, ...
    'Learners', t, ...
    'OptimizeHyperparameters', {'BoxConstraint'}, ...
    'HyperparameterOptimizationOptions', struct('AcquisitionFunctionName', ...
    'expected-improvement-plus'));


%% 7. 可视化
% 可视化调参前后的决策边界（前提条件：使用二维特征进行分类）

% 为了简化可视化，我们仅使用前两个特征进行训练
SVMModel2D = fitcecoc(XTrain(:, 1:2), YTrain, ...
    'Learners', templateSVM('KernelFunction', 'linear'));

% 绘制决策边界
figure;
gscatter(XTrain(:,1), XTrain(:,2), YTrain);
hold on;

% 获取支持向量
sv = SVMModel2D.BinaryLearners{1}.SupportVectors;

% 检查支持向量的维度
if size(sv, 2) == 2
    % 如果支持向量是二维的，则绘制
    plot(sv(:,1),sv(:,2),'ko','MarkerSize',10); % 支持向量
else
    % 如果支持向量是其他维度的，则打印警告信息
    disp('支持向量的维度不为二维，无法绘制。');
end

title('线性核函数的支持向量机决策边界');
xlabel('萼片长度');
ylabel('萼片宽度');
legend('Location','Best');
hold off;

% 绘制决策区域
d = 0.02;
[x1Grid,x2Grid] = meshgrid(min(XTrain(:,1)):d:max(XTrain(:,1)), min(XTrain(:,2)):d:max(XTrain(:,2)));
xGrid = [x1Grid(:),x2Grid(:)];
[~,scores1] = predict(SVMModel2D,xGrid);

figure;
contourf(x1Grid, x2Grid, reshape(scores1(:,2),size(x1Grid)), 'LineColor','none');
colormap jet;
colorbar;
hold on;
gscatter(XTrain(:,1), XTrain(:,2), YTrain, 'rb','.');
title('SVM 决策区域');
xlabel('萼片长度');
ylabel('萼片宽度');
hold off;

% 可视化混淆矩阵
figure;
confusionchart(YTest, label);
title('测试集的混淆矩阵');

《数学建模算法与应用第二版》——chapter9. 支持向量机
zwszws111的博客
08-06 596
1. 支持向量分类机的基本原理 1.1 线性可分支持向量分类机 1.2 线性支持向量分类机 1.3 可分支持向量分类机 1.4 C-支持向量分类机 2. 支持向量机的matlab命令与应用实例 Matlab中支持向量机的命令有，训练支持向量机分类器的函数svmtrain，使用支持向量机分类的函数svmclssify，指定支持向量机函数使用的序列最小化参数函数svmsmoset。下面通过一个例子说明有关函数的使用。 3. 乳腺癌的诊断 3.1 问题提出 乳腺肿瘤通过穿刺采样进行分析可以
支持向量机原理及Matlab代码
2401_86633719的博客
09-26 977
支持向量机（Support Vector Machine,SVM）是基于统计学习理论和结构风险最小化原理提出机器学习分类器，该模型在解决小样本拟合问题和高维问题表现出特有的优势。模型后续在Vapnik等[]研究学者扩展下建立回归技术模型（Support Vector Regression，SVR）。该模型的基本原理将模型数据向量内积通过映射函数一一映射到高维特征空间，应用核函数在高维特征空间进行线性超平面回归分析，同时模型引入ε-不敏感损失函数来定义这个超平面。
matlab支持向量机分类实例（十分详细）附数据
06-15
matlab支持向量机分类实例（十分详细）附数据
分类预测 | MATLAB实现SVM(支持向量机)多特征分类预测
最新发布
Matlab_jiqi的博客
11-21 627
支持向量机 (Support Vector Machine, SVM) 作为一种强大的机器学习算法，在多特征分类预测任务中展现出显著的优势。其核心思想是找到一个最优超平面，将不同类别的数据点最大限度地分开，从而实现高精度分类。然而，在实际应用中，如何有效地构建SVM模型，并针对多特征数据的特点进行优化，是取得良好预测效果的关键。本文将深入探讨SVM在多特征分类预测中的应用，涵盖模型构建、特征选择、参数优化以及模型评估等方面。一、 SVM模型构建及核心原理。
基于MATLAB的SVM支持向量机的数据分类仿真，包括训练和测试
FPGA/MATLAB学习教程/源码/项目合作开发
02-05 4334
而传统的基于神经网络的学习理论，往往需要较大数量的样本作为训练数据，因此传统的神经网络学习方法其对样本数量的依赖性较大。通过SVM支持向量机的分类算法，其首先需要对数据进行预处理，将维度较高的特征数据转换为低维度的特征数据，然后通过一个非线性映射函数产生一个对数据进行分割的超平面。下面对这两种SVM的基本原理进行介绍。将分组后的火特征数据以及非火特征数据组合成一个数据，然后再加入1和0的标志位进行训由于Final_Fire0，Final_Fire1是MXN类型的数据，所以将其转换为1XM的数据。
支持向量机matlab
09-26
本资源包含支持向量机的数学原理，多个代码例程文件，亲测matlab2018b通过，建议直接修改输入神经元个数和输入向量，另外，其算法接口与BP神经网络几乎完全一致，上手比较快
支持向量机matlab代码
08-15
支持向量机svm代码 matlab代码 用于分类的 比传统bp神经网络好
支持向量机matlab程序实现
12-25
支持向量机matlab程序实现、支持向量机matlab程序实现、
支持向量机（SVM）matlab代码
12-16
支持向量机（SVM）matlab代码，用于二分类问题的模板。
基于Matlab实现支持向量机算法（附上多个案例源码）
m0_62143653的博客
06-21 1万+
基于Matlab实现支持向量机算法（附上多个案例源码）
基于matlab与支持向量机的回归拟合混凝土抗压强度预测系统设计与实现
05-01
MATLAB是一种广泛应用于数学计算、数据分析和算法开发的编程环境，而支持向量机（Support Vector Machine, SVM）则是一种强大的监督学习模型，常用于分类和回归任务。在此背景下，我们将探讨如何利用MATLAB和SVM构建...
支持向量机MATLAB程序
06-20
基于MATLAB程序的支持向量机 psoSVMcgForRegress:回归问题参数寻优[pso based on CV] 函数接口: [bestCVmse,bestc,bestg,pso_option] = psoSVMcgForRegress(train_label,train,pso_option) ======================================= gaSVMcgForClass:分类问题参数寻优[ga based on CV] 函数接口: [bestCVaccuracy,bestc,bestg,ga_option] = gaSVMcgForClass(train_label,train,ga_option) gaSVMcgForRegress:回归问题参数寻优[ga based on CV] 函数接口: [bestCVmse,bestc,bestg,ga_option] = gaSVMcgForRegress(train_label,train,ga_option) ======================================
MATLAB支持向量机(SVM)GUI
08-16
此SVM_GUI是基于libsvm-FarutoUltimate3.0，所以你需要实现安装该工具箱。操作简单，具体使用可参看内部说明文件。
支持向量机SVM和核函数的matlab程序代码--完整
10-31
支持向量机SVM和核函数的matlab程序代码--完整,调试过的有效的程序
支持向量机的 Matlab 命令及应用例子
02-01
支持向量机的 Matlab 命令及应用例子
支持向量机SVM的matlab代码
04-20
支持向量机SVM的matlab代码
svm支持向量机预测matlab
08-09
- *1* *2* [SVM支持向量机——MATLAB在数学建模中的应用](https://blog.csdn.net/YuNlear/article/details/126073868)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip...
数学建模——声音识别模型的建立及评价.doc
10-06
在建立了有效的特征向量后，接下来是构建二分类模型，如支持向量机（SVM）、朴素贝叶斯、决策树或者深度学习中的卷积神经网络（CNN）。模型训练过程中，数据集会被划分为训练集和测试集，用于训练模型并评估其性能。...
数学建模 ————统计问题之预测（一）
热门推荐
huangpiao
07-03 4万+
该资料是笔者根据自身理解一点点写出来的，希望各位能尊重这一份来之不易的劳动成果。因个人水平有限，资料中难免会出现不足与错误，欢迎各位的批评指正。(笔者曾获得2015年全国大学生数学建模国家一等奖，2015研究生数学建模竞赛国家二等奖，2016年美国大学生数学建模竞赛M奖） 统计算法总览        统计一词源于国情调查，一般来说包括三个含义：统计工作、统计资料和统计科学。其中统计工作是指的搜
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值