svm支持向量机matlab代码
时间: 2023-08-31 20:12:28 浏览: 81
以下是一个简单的SVM支持向量机Matlab代码示例:
```matlab
% 加载训练数据和标签
load('traindata.mat');
load('trainlabel.mat');
% 训练SVM模型
svmModel = fitcsvm(traindata, trainlabel, 'KernelFunction', 'linear');
% 加载测试数据和标签
load('testdata.mat');
load('testlabel.mat');
% 使用SVM模型进行预测
predictedLabels = predict(svmModel, testdata);
% 计算分类准确率
accuracy = sum(predictedLabels == testlabel) / length(testlabel);
fprintf('分类准确率为:%f\n', accuracy);
```
其中,traindata、trainlabel、testdata和testlabel分别是训练数据、训练标签、测试数据和测试标签的矩阵变量。fitcsvm函数用于训练SVM模型,predict函数用于进行预测,sum函数用于计算正确预测的个数,length函数用于计算测试标签的长度。最后输出分类准确率。
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。