孪生支持向量机

实现孪生支持向量机的程序，里面有示例有注释，通俗易懂

% 线性孪生支持向量机二类分类算法


close all
clear
clc
%--------------导入数据-------------------%
load N_p   % 正类点数据，特征信息存放在行里面
load N_n   % 负类点数据，特征信息存放在行里面
%-----------------------------------------%

 
%% 第一步：数据预处理
%-------- 由原来的数据产生80%的训练数据和20%的预测数据------------%
n_p=size（N_p1）;       % 正类样本个数
n_n=size（N_n1）;       % 负类样本个数
n1=randperm（n_p）;      % 对1到n的n个正整数进行随机不重复的排列，形成一个1行n列的矩阵
n2=randperm（n_n）;
f_p=floor（4*n_p/5）;    % 取80%的数据作为训练集，其余20%作为预测集
f_n=floor（4*n_n/5）; 
data_train_p=N_p（n1（1:f_p）:）;                  % 正类训练数据
data_train_n=N_n（n2（1:f_n）:）;                  % 负类训练数据
data_train=[data_train_p;data_train_n];         % 训练数据集（含正负类）
Y_train=[ones（f_p1）;-ones（f_n1）];             % 训练数据标签集 

data_predict_p=N_p（n1（f_p+1:end）:）;            % 正类预测数据
data_predict_n=N_n（n2（f_n+1:end）:）;            % 负类预测数据
data_predict=[data_predict_p;data_predict_n];   % 预测数据集（含正负类）
Y_predict=[ones（n_p-f_p1）;-ones（n_n-f_n1）];   % 预测数据标签集 
%----------------------------------------------------------------%
%----------相关参数初始化----------%

c1min=-2;    c1max=2;       %孪生支持向量机参数             
c2min=-2;    c2max=2;
best_c1=0;   best_c2=0;
aac=rand（101）;
bestAccuracy=0;
%--------------------------------%


%% 第二步：数据训练寻找最优参数c1c2
%  将c1和c2划分网格进行搜索
indices = crossvalind（‘Kfold‘Y_train10）;    
tic;
for c1=2^（c1min）:1:2^（c1max）
    for c2=2^（c2min）:1:2^（c2max）
        %采用K-CV方法将data大致平均分为K组
        for run= 1:10
            test=（indices == run）; train=~test; 
            
            train_data=data_train（train:）;            % 训练数据集（含正类负类点集）          
            train_data_label=Y_train（train:）;         % 训练集标签（含正类负类点集） 
            
            test_data=data_train（test:）;              % 预测数据集（含正类负类点集） 
            test_data_label=Y_train（test:）;           % 预测集标签（含正类负类点集） 
            
            groupA=ismember（train_data_label1）;       % 分出正类点的位置            
            groupB=ismember（train_data_label-1）;      % 分出负类点的位置        
       
            A=train_data（groupA:）;                    % 正类训练数据    
            B=train_data（groupB:）;                    % 负类训练数据  
            %训练数据
            [v1v2]=twinsvm_lin_train（ABc1c2）; 
            %用训练所得孪生分类器进行分类
            [accuracy]=twinsvm_lin_predict（v1v2test_datatest_data_label）;
             %下面用验证集进行验证并记录此时的准确率
             acc（run）=accuracy;
        end
            cv=sum（aac）/10;
            if （cv>bestAccuracy）
                bestAccuracy=cv;
                best_c1=c1;
                best_c2=c2;
            end          
    end
end
disp（‘准确率及最优参数‘）;
str = sprintf（ ‘Best Cross Validation Accuracy = %g%% ;Best c1 = %g ; Best c2 = %g;‘bestAccuracy*100best_c1best_c2）;
disp（str）;
t_train=toc

%---------------------------------------------------------------------%


%% 第三步：通过最优参数，对80%的数据训练，产生分类面，利用20%的预测数据进行准确率计算
k=0;
c1=best_c1;
c2=best_c2;

tic;
[v1v2IBJA]=twinsvm_lin_train（data_train_pdata_train_nc1c2

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

     文件       4376  2014-12-03 19:12  TWSVM（线性）\lin_main.asv

     文件       4329  2014-12-03 19:15  TWSVM（线性）\lin_main.m

     文件       1781  2014-12-03 18:53  TWSVM（线性）\N_n.mat

     文件       1780  2014-12-03 18:54  TWSVM（线性）\N_p.mat

     文件        698  2014-12-03 19:22  TWSVM（线性）\twinsvm_lin_predict.asv

     文件        823  2014-12-03 19:26  TWSVM（线性）\twinsvm_lin_predict.m

     文件       1356  2014-12-03 19:17  TWSVM（线性）\twinsvm_lin_train.asv

     文件       1418  2014-12-03 19:18  TWSVM（线性）\twinsvm_lin_train.m

     文件        239  2014-11-05 17:00  TWSVM（非线性）\ker_Gaussian.m

     文件       3873  2014-12-03 20:05  TWSVM（非线性）\ker_Main.m

     文件       1535  2012-05-21 18:05  TWSVM（非线性）\N_n_ker.mat

     文件       1548  2012-05-21 18:05  TWSVM（非线性）\N_p_ker.mat

     文件        921  2014-12-03 20:05  TWSVM（非线性）\twinsvm_ker_predict.m

     文件       1253  2012-05-31 20:13  TWSVM（非线性）\twinsvm_ker_train.m

     目录          0  2014-12-03 19:54  TWSVM（线性）

     目录          0  2014-12-03 20:07  TWSVM（非线性）

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

                25930                    16