監(jiān)督式學(xué)習(xí)（Supervised Learning）常用算法包括：線性回歸（Linear Regression）、邏輯回歸（Logistic Regression）、神經(jīng)網(wǎng)絡(luò)（Neural Network）以及支持向量機(jī)（Support Vector Machine，SVM）等。支持向量機(jī)與邏輯回歸算法類似，都是解決二分類或多分類問(wèn)題，但是SVM在非線性回歸預(yù)測(cè)方面具有更優(yōu)秀的分類效果，所以SVM又被稱為最大間距分類器。

本文不對(duì)支持向量機(jī)的原理進(jìn)行詳細(xì)解釋，直接運(yùn)用matlab自帶的工具箱函數(shù)svmtrain、svmclassify解決實(shí)際的二分類問(wèn)題。

導(dǎo)入數(shù)據(jù)：

clear; close all; clc;

%% ================ load fisheriris.mat ================

load fisheriris.mat

1、對(duì)于線性分類問(wèn)題，我們選取線性核函數(shù)，原始數(shù)據(jù)包括訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)兩部分。

data = meas(51:end,3:4); % column 3,column 4作為特征值

group = species(51:end); % 類別

idx = randperm(size(data,1));

N = length(idx);

% SVM train

T = floor(N*0.9); % 90組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)

xdata = data(idx(1:T),:);

xgroup = group(idx(1:T));

svmStr = svmtrain(xdata,xgroup,'Showplot',true);

訓(xùn)練過(guò)程得到結(jié)構(gòu)體svmStr，對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)

% SVM predict

P = floor(N*0.1); % 10組預(yù)測(cè)數(shù)據(jù)

ydata = data(idx(T+1:end),:);

ygroup = group(idx(T+1:end));

pgroup = svmclassify(svmStr,ydata,'Showplot',true); % svm預(yù)測(cè)

hold on;

plot(ydata(:,1),ydata(:,2),'bs','Markersize',12);

accuracy1 = sum(strcmp(pgroup,ygroup))/P*100; % 預(yù)測(cè)準(zhǔn)確性

hold off;

程序運(yùn)行結(jié)果如下：

圖中，方塊*號(hào)表示測(cè)試數(shù)據(jù)的預(yù)測(cè)結(jié)果，accuracy1結(jié)果為90%（上下浮動(dòng)）。

2、對(duì)于非線性分類問(wèn)題，我們選取高斯核函數(shù)RBF，原始數(shù)據(jù)包括訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)兩部分。

訓(xùn)練過(guò)程前，導(dǎo)入原始數(shù)據(jù)：

data = meas(51:end,1:2); % column 1,column 2作為特征值

group = species(51:end); % 類別

idx = randperm(size(data,1));

N = length(idx);

% SVM train

T = floor(N*0.9); % 90組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)

xdata = data(idx(1:T),:);

xgroup = group(idx(1:T));

對(duì)于高斯核函數(shù)，有兩個(gè)參數(shù)對(duì)SVM的分類效果有著重要的影響：一個(gè)是sigma；另一個(gè)是C。

首先討論sigma的影響，sigma反映了RBF函數(shù)從最大值點(diǎn)向周圍函數(shù)值下降的速度，sigma越大，下降速度越慢，對(duì)應(yīng)RBF函數(shù)越平緩；sigma越小，下降速度越快，對(duì)應(yīng)RBF函數(shù)越陡峭。對(duì)于不同的sigma，程序代碼：

% different sigma

figure;

sigma = 0.5;

svmStr = svmtrain(xdata,xgroup,'kernel_function','rbf','rbf_sigma',...

sigma,'showplot',true);

title('sigma = 0.5');

figure;

sigma = 1;

svmStr = svmtrain(xdata,xgroup,'kernel_function','rbf','rbf_sigma',...

sigma,'showplot',true);

title('sigma = 1');

figure;

sigma = 3;

svmStr = svmtrain(xdata,xgroup,'kernel_function','rbf','rbf_sigma',...

sigma,'showplot',true);

title('sigma = 3');

分類平面分別如下：

從圖中可以看出，sigma越小，分類曲線越復(fù)雜，事實(shí)也確實(shí)如此。因?yàn)閟igma越小，RBF函數(shù)越陡峭，下降速度越大，預(yù)測(cè)過(guò)程容易發(fā)生過(guò)擬合問(wèn)題，使分類模型對(duì)訓(xùn)練數(shù)據(jù)過(guò)分?jǐn)M合，而對(duì)測(cè)試數(shù)據(jù)預(yù)測(cè)效果不佳。

然后討論C的影響，程序代碼如下：

% different C

figure;

C = 1;

svmStr = svmtrain(xdata,xgroup,'kernel_function','rbf','boxconstraint',...

C,'showplot',true);

title('C = 0.1');

figure;

C = 8;

svmStr = svmtrain(xdata,xgroup,'kernel_function','rbf','boxconstraint',...

C,'showplot',true);

title('C = 1');

figure;

C = 64;

svmStr = svmtrain(xdata,xgroup,'kernel_function','rbf','boxconstraint',...

C,'showplot',true);

title('C = 10');

分類平面如下：

從圖中可以發(fā)現(xiàn)，C越大，分類曲線越復(fù)雜，也就是說(shuō)越容易發(fā)生過(guò)擬合，因?yàn)镃對(duì)應(yīng)邏輯回歸的lambda的倒數(shù)。

若令sigma=1，C=1,則對(duì)測(cè)試數(shù)據(jù)的預(yù)測(cè)程序：

% SVM predict

P = floor(N*0.1); % 10組預(yù)測(cè)數(shù)據(jù)

ydata = data(idx(T+1:end),:);

ygroup = group(idx(T+1:end));

% sigma = 1,C = 1,default

figure;

svmStr = svmtrain(xdata,xgroup,'kernel_function','rbf','showplot',true);

pgroup = svmclassify(svmStr,ydata,'Showplot',true); % svm預(yù)測(cè)

hold on;

plot(ydata(:,1),ydata(:,2),'bs','Markersize',12);

accuracy2 = sum(strcmp(pgroup,ygroup))/P*100; % 預(yù)測(cè)準(zhǔn)確性

hold off;

程序運(yùn)行結(jié)果如下：

圖中，方塊*號(hào)表示測(cè)試數(shù)據(jù)的預(yù)測(cè)結(jié)果，accuracy2結(jié)果為70%（上下浮動(dòng)）。

分類效果不佳因?yàn)閮蓚€(gè)特征量的選擇，可以選擇更合適的特征量。

本文轉(zhuǎn)自：https://blog.csdn.net/red_stone1/article/details/54313821

總結(jié)

以上是生活随笔為你收集整理的SVM分类问题的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。