matlab使用libsvm进行分类代码.rar

matlab使用libsvm进行分类代码实例.rar

%% 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（matrix1））;

%%
% 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
[Train_matrixPS] = 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）
%%
% 1. 寻找最佳c/g参数——交叉验证方法
[cg] = meshgrid（-10:0.2:10-10:0.2:10）;
[mn] = size（c）;
cg = zeros（mn）;
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（ij））‘ -g ‘num2str（2^g（ij））];
        cg（ij） = svmtrain（train_labelTrain_matrixcmd）;     
        if cg（ij） > bestacc
            bestacc = cg（ij）;
            bestc = 2^c（ij）;
            bestg = 2^g（ij）;
        end        
        if abs（ cg（ij）-bestacc ）<=eps && bestc > 2^c（ij） 
            bestacc = cg（ij）;
            bestc = 2^c（ij）;
            bestg = 2^g（ij）;
        end               
    end
end
cmd = [‘ -t 2‘‘ -c ‘num2str（bestc）‘ -g ‘num2str（bestg）];

%%
% 2. 创建/训练SVM模型
model = svmtrain（train_labelTrain_matrixcmd）;

%% V. SVM仿真测试
[predict_label_1accuracy_1prob_estimates] = svmpredict（train_labelTrain_matrixmodel）;
[predict_label_2accuracy_2prob_estimates2] = svmpredict（test_labelTest_matrixmodel）;
result_1 = [train_label predict_label_1];
result_2 = [test_label predict_label_2];

%% 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）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       6802  2010-11-03 21:23  svm分类\BreastTissue_data.mat

     文件       2038  2019-03-24 09:52  svm分类\main.m

     目录          0  2019-03-28 23:35  svm分类

----------- ---------  ---------- -----  ----

                 8840                    3