1.源代碼

clc; clear all; close all; load fisheriris; %matlab自帶分類數據集fisheriris，來源于http://archive.ics.uci.edu/ml/ 中的risi數據， %其數據類別分為3類，setosa，versicolor，virginica.每類植物有50個樣本，共150個。 %每個樣本有4個屬性，分別為花萼長，花萼寬，花瓣長，花瓣寬。%其中meas是150*4的矩陣代表著有150個樣本每個樣本有4個屬性描述 %species代表著這150個樣本的分類.data = [meas(:,1),meas(:,2)]; %構建測試數據 %在這里只取meas的第一列和第二列,即只選取前兩個特征groups = ismember(species,'setosa'); %構建測試結果 %由于species分類中是有三個分類:setosa,versicolor,virginica %為了使問題簡單,我們將其變為二分類問題:Setosa and non-Setosa.[train,test] = crossvalind('holdOut',groups,0.5); %生成交叉驗證指標 [Train, Test] = crossvalind('HoldOut', N, P) %返回一個邏輯值的標記向量，從N個觀察樣本中隨機選取（或近似于）P*N個樣本作為測試集。 %故P應為0-1，缺省值為0.5。cp = classperf(groups); %評估分類器性能svmStruct = svmtrain(data(train,:),groups(train),'showplot',true); %訓練支持向量機分類器 %使用svmtrain進行訓練,得到訓練后的結構svmStruct,在預測時使用classes = svmclassify(svmStruct,data(test,:),'showplot',true); %對于未知的測試集進行分類預測 SVMStruct = svmtrain(Training,Group,Name,Value) %Training:訓練數據矩陣,每一行對應一個觀察,每一列對應一個特征或變量; % svmtrain對NAN在訓練或空字符串為缺失值,忽略了相應的行組。 %Group:分組變量 %Name：有很多特性，畫圖、核函數選擇、階數、優化算法等 %SVMStruct：訓練后的SVM信息 支持向量、核函數等classperf(cp,classes,test); cp.CorrectRate; %分類器效果測評,就是看測試集分類的準確率的高低

2.分類結果

總結

以上是生活随笔為你收集整理的SVM熟练到精通5：MATLAB实例的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。