svm支持向量机matlab代码
时间: 2023-10-07 08:08:10 浏览: 41
好的,下面是一段简单的 SVM(支持向量机)的 MATLAB 代码:
% 加载数据
data = load('data.txt');
X = data(:, [1, 2]); % 特征向量
y = data(:, 3); % 特征标签
% 将数据划分成训练集和测试集
train_size = floor(0.7*size(X,1)); % 70% 的数据为训练集
train_X = X(1:train_size, :);
train_y = y(1:train_size, :);
test_X = X(train_size+1:end, :);
test_y = y(train_size+1:end, :);
% 训练 SVM 模型
model = fitcsvm(train_X, train_y);
% 预测测试集的标签
pred_y = predict(model, test_X);
% 计算准确率
accuracy = mean(double(pred_y == test_y)) * 100;
以上是一个简单的 SVM 的 MATLAB 代码,其中使用的是 fitcsvm 函数来训练 SVM 模型,并使用 predict 函数进行预测,最终计算准确率。
相关问题
Svm支持向量机Matlab 代码
以下是一个简单的SVM二分类器的Matlab代码示例:
```matlab
% 准备数据
load fisheriris
X = meas(:,1:2);
Y = species;
Y = categorical(Y);
rng(1); % 设置随机数种子
% 划分训练集和测试集
cv = cvpartition(Y,'HoldOut',0.2);
idx = cv.test;
Xtrain = X(~idx,:);
Ytrain = Y(~idx);
Xtest = X(idx,:);
Ytest = Y(idx);
% 训练SVM分类器
SVMModel = fitcsvm(Xtrain,Ytrain);
% 预测测试集
Ypred = predict(SVMModel,Xtest);
% 计算分类准确率
Accuracy = sum(Ypred == Ytest)/numel(Ytest)
```
这个示例使用鸢尾花数据集,其中包含150个样本,每个样本有4个特征和一个类别标签。我们只使用前两个特征,并将类别标签转换为分类变量。然后,使用“HoldOut”方法将数据集分为训练集和测试集。使用`fitcsvm`函数训练SVM分类器,并使用`predict`函数预测测试集。最后,计算分类准确率。
使用svmtrain写svm支持向量机matlab代码
下面是使用svmtrain函数写svm支持向量机matlab代码的示例:
```matlab
% 载入数据
load fisheriris
X = meas(51:end,3:4); % 取后100个样本的后两个特征
y = (1:50)'>25; % 标签,前50个样本为0,后50个样本为1
% 训练svm模型
svmModel = svmtrain(X, y, 'Kernel_Function', 'rbf', 'BoxConstraint', Inf);
% 预测
Xnew = [5.9 3.0; 6.0 3.4; 6.1 2.9];
ynew = svmclassify(svmModel,Xnew);
% 绘制决策边界和支持向量
sv = svmModel.SupportVectors;
figure
scatter(X(:,1),X(:,2),'filled')
hold on
scatter(sv(:,1),sv(:,2),'ro')
contourf(xx,yy,reshape(scores(:,2),size(xx)),[0 0],'LineStyle','none')
colorbar
```
其中,X和y分别为特征和标签,svmtrain函数的第一个参数为特征,第二个参数为标签,第三个参数为一些参数的设定。svmclassify函数用于预测新的样本标签。绘制决策边界和支持向量可以使用contourf函数。