MatlabSVM工具箱快速入手简易教程.doc
《MatlabSVM工具箱快速入手简易教程.doc》由会员分享，可在线阅读，更多相关《MatlabSVM工具箱快速入手简易教程.doc（9页珍藏版）》请在冰点文库上搜索。
SVM工具箱快速入手简易教程（byfaruto）
一.matlab自带的函数（matlab帮助文件里的例子）[只有较新版本的matlab中有这两个SVM的函数]
=====
svmtrainsvmclassify
=====简要语法规则====
svmtrain
Trainsupportvectormachineclassifier
Syntax
SVMStruct=svmtrain（Training,Group）
SVMStruct=svmtrain（...,'Kernel_Function',Kernel_FunctionValue,...）
SVMStruct=svmtrain（...,'RBF_Sigma',RBFSigmaValue,...）
SVMStruct=svmtrain（...,'Polyorder',PolyorderValue,...）
SVMStruct=svmtrain（...,'Mlp_Params',Mlp_ParamsValue,...）
SVMStruct=svmtrain（...,'Method',MethodValue,...）
SVMStruct=svmtrain（...,'QuadProg_Opts',QuadProg_OptsValue,...）
SVMStruct=svmtrain（...,'SMO_Opts',SMO_OptsValue,...）
SVMStruct=svmtrain（...,'BoxConstraint',BoxConstraintValue,...）
SVMStruct=svmtrain（...,'Autoscale',AutoscaleValue,...）
SVMStruct=svmtrain（...,'Showplot',ShowplotValue,...）
---------------------
svmclassify
Classifydatausingsupportvectormachine
Syntax
Group=svmclassify（SVMStruct,Sample）
Group=svmclassify（SVMStruct,Sample,'Showplot',ShowplotValue）
============================实例研究====================
loadfisheriris
%载入matlab自带的数据[有关数据的信息可以自己到UCI查找,这是UCI的经典数据之一],得到的数据如下图:
tu1
1.jpg（7.94KB）
2009-5-1219:
50
其中meas是150*4的矩阵代表着有150个样本每个样本有4个属性描述,species代表着这150个样本的分类.
data=[meas（:
1）,meas（:
2）];
%在这里只取meas的第一列和第二列,即只选取前两个属性.
groups=ismember（species,'setosa'）;
%由于species分类中是有三个分类:
setosa,versicolor,virginica,为了使问题简单,我们将其变为二分类问题:
Setosaandnon-Setosa.
[train,test]=crossvalind（'holdOut',groups）;
cp=classperf（groups）;
%随机选择训练集合测试集[有关crossvalind的使用请自己help一下]
其中cp作用是后来用来评价分类器的.
svmStruct=svmtrain（data（train,:
）,groups（train）,'showplot',true）;
%使用svmtrain进行训练,得到训练后的结构svmStruct,在预测时使用.
训练结果如图:
tu2
2.jpg（26.86KB）
2009-5-1219:
50
classes=svmclassify（svmStruct,data（test,:
）,'showplot',true）;
%对于未知的测试集进行分类预测,结果如图:
tu3
3.jpg（37.34KB）
2009-5-1219:
50
classperf（cp,classes,test）;
cp.CorrectRate
ans=
0.9867
%分类器效果测评,就是看测试集分类的准确率的高低.
二.台湾林智仁的libsvm工具箱
该工具箱下载[libsvm-mat-2.86-1]:
libsvm-mat-2.86-1.rar（73.75KB）
libsvm-mat-2.86-1.rar（73.75KB）
下载次数:
373
2009-5-1220:
02
安装方法也很简单,解压文件,把当前工作目录调整到libsvm所在的文件夹下,再在setpath里将libsvm所在的文件夹加到里面.然后
在命令行里输入
mex-setup %选择一下编译器
make
这样就可以了.
建议大家使用libsvm工具箱,这个更好用一些.可以进行分类[多类别],预测....
=========
svmtrain
svmpredict
================
简要语法:
Usage
=====
matlab>model=svmtrain（training_label_vector,training_instance_matrix[,'libsvm_options']）;
-training_label_vector:
Anmby1vectoroftraininglabels（typemustbedouble）.
-training_instance_matrix:
Anmbynmatrixofmtraininginstanceswithnfeatures.
Itcanbedenseorsparse（typemustbedouble）.
-libsvm_options:
AstringoftrainingoptionsinthesameformatasthatofLIBSVM.
matlab>[predicted_label,accuracy,decision_values/prob_estimates]=svmpredict（testing_label_vector,testing_instance_matrix,model[,'libsvm_options']）;
-testing_label_vector:
Anmby1vectorofpredictionlabels.Iflabelsoftest
dataareunknown,simplyuseanyrandomvalues.（typemustbedouble）
-testing_instance_matrix:
Anmbynmatrixofmtestinginstanceswithnfeatures.
Itcanbedenseorsparse.（typemustbedouble）
-model:
Theoutputofsvmtrain.
-libsvm_options:
AstringoftestingoptionsinthesameformatasthatofLIBSVM.
ReturnedModelStructure
========================
实例研究:
loadheart_scale.mat
%工具箱里自带的数据
如图:
tu4
4.jpg（9.36KB）
2009-5-1220:
08
其中heart_scale_inst是样本,heart_scale_label是样本标签
model=svmtrain（heart_scale_label,heart_scale_inst,'-c1-g0.07'）;
%训练样本,具体参数的调整请看帮助文件
[predict_label,accuracy,dec_values]=svmpredict（heart_scale_label,heart_scale_inst,model）;
%分类预测,这里把训练集当作测试集,验证效果如下:
>>[predict_label,accuracy,dec_values]=svmpredict（heart_scale_label,heart_scale_inst,model）;%testthetrainingdata
Accuracy=86.6667%（234/270）（classification）
==============
这回把SVM这点入门的东西都说完了,大家可以参照着上手了,有关SVM的原理我下面有个简易的PPT,是以前做项目时我做的[当时我负责有关SVM这一块代码实现讲解什么的],感兴趣的你可以看看,都是上手较快的东西,想要深入学习SVM,你的学习统计学习理论什么的....挺多的呢..
SVM.ppt（391KB）
SVM.ppt（391KB）
下载次数:
429
2009-5-1220:
18
-----------有关SVM和libsvm的非常好的资料,想要详细研究SVM看这个------
libsvm_guide.pdf（194.53KB）
libsvm_guide.pdf（194.53KB）
下载次数:
186
2009-8-1914:
58
libsvm_library.pdf（316.82KB）
libsvm_library.pdf（316.82KB）
下载次数:
137
2009-8-1914:
58
OptimizationSupportVectorMachinesandMachine
升级会员 