网格搜索算法

%% SVM神经网络中的参数优化---如何更好的提升分类器的性能 
%
% 
% 			该案例作者申明：				1：本人长期驻扎在此板块里，对该案例提问，做到有问必答。	2：此案例有配套的教学视频，配套的完整可运行Matlab程序。						3：以下内容为该案例的部分内容（约占该案例完整内容的1/10）。							4：此案例为原创案例，转载请注明出处（Matlab中文论坛，《Matlab神经网络30个案例分析》）。							5：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。							6：您看到的以下内容为初稿，书籍的实际内容可能有少许出入，以书籍实际发行内容为准。					7：此书其他常见问题、预定方式等，请点击这里。	
% 
%

%% 清空环境变量
function chapter13_GridSearch
close all;
clear;
clc;
format compact;
%% 数据提取

% 载入测试数据wine其中包含的数据为classnumber = 3wine:178*13的矩阵wine_labes:178*1的列向量
load chapter13_wine.mat;

% 画出测试数据的box可视化图
figure;
boxplot（wine‘orientation‘‘horizontal‘‘labels‘categories）;
title（‘wine数据的box可视化图‘‘FontSize‘12）;
xlabel（‘属性值‘‘FontSize‘12）;
grid on;

% 画出测试数据的分维可视化图
figure
subplot（351）;
hold on
for run = 1:178
    plot（runwine_labels（run）‘*‘）;
end
xlabel（‘样本‘‘FontSize‘10）;
ylabel（‘类别标签‘‘FontSize‘10）;
title（‘class‘‘FontSize‘10）;
for run = 2:14
    subplot（35run）;
    hold on;
    str = [‘attrib ‘num2str（run-1）];
    for i = 1:178
        plot（iwine（irun-1）‘*‘）;
    end
    xlabel（‘样本‘‘FontSize‘10）;
    ylabel（‘属性值‘‘FontSize‘10）;
    title（str‘FontSize‘10）;
end

% 选定训练集和测试集

% 将第一类的1-30第二类的60-95第三类的131-153做为训练集
train_wine = [wine（1:30:）;wine（60:95:）;wine（131:153:）];
% 相应的训练集的标签也要分离出来
train_wine_labels = [wine_labels（1:30）;wine_labels（60:95）;wine_labels（131:153）];
% 将第一类的31-59第二类的96-130第三类的154-178做为测试集
test_wine = [wine（31:59:）;wine（96:130:）;wine（154:178:）];
% 相应的测试集的标签也要分离出来
test_wine_labels = [wine_labels（31:59）;wine_labels（96:130）;wine_labels（154:178）];

%% 数据预处理
% 数据预处理将训练集和测试集归一化到[01]区间

[mtrainntrain] = size（train_wine）;
[mtestntest] = size（test_wine）;

dataset = [train_wine;test_wine];
% mapminmax为MATLAB自带的归一化函数
[dataset_scaleps] = mapminmax（dataset‘01）;
dataset_scale = dataset_scale‘;

train_wine = dataset_scale（1:mtrain:）;
test_wine = dataset_scale（ （mtrain+1）:（mtrain+mtest）: ）;
%% 选择最佳的SVM参数c&g

% 首先进行粗略选择: c&g 的变化范围是 2^（-10）2^（-9）...2^（10）
[bestaccbestcbestg] = S