了解一下Matlab中的SVM工具箱的使用方法吧

1,下载SVM工具箱:http://see.xidian.edu.cn/faculty/chzheng/bishe/indexfiles/indexl.htm

2,安装到matlab文件夹中

  1)将下载的SVM工具箱的文件夹放在\matlab71\toolbox\下

  2)打开matlab->File->Set Path中添加SVM工具箱的文件夹

  现在,就成功的添加成功了.

  可以测试一下:在matlab中输入which svcoutput 回车,如果可以正确显示路径,就证明添加成功了,例如:

C:\Program Files\MATLAB71\toolbox\svm\svcoutput.m

3,用SVM做分类的使用方法

  1)在matlab中输入必要的参数:X,Y,ker,C,p1,p2

    我做的测试中取的数据为:

    N = 50;

    n=2*N;5 ?) ?6 G: F6 v8 m% \- W! d
    randn('state',6);
# L0 M! M' L1 z; V1 |    x1 = randn(2,N)
- {$ e' X6 }6 r5 C    y1 = ones(1,N);
4 n4 |, o& U! r0 N! ~0 i8 o/ P    x2 = 5+randn(2,N);
, @% s! d7 H. I5 d    y2 = -ones(1,N);

    figure;
; j5 n4 F8 m' C, e% y1 M    plot(x1(1,: ),x1(2,: ),'bx',x2(1,: ),x2(2,: ),'k.');
2 {+ X  ]2 y7 S$ ?8 ]1 u    axis([-3 8 -3 8]);
# E# c8 |( X) ~$ Z- l    title('C-SVC')! s3 D* v7 D/ j
    hold on;

    X1 = [x1,x2];

    Y1 = [y1,y2];  

    X=X1';

    Y=Y1';

    其中,X是100*2的矩阵,Y是100*1的矩阵

    C=Inf;

    ker='linear';

    global p1 p2

    p1=3;

    p2=1;

    然后,在matlab中输入:[nsv alpha bias] = svc(X,Y,ker,C),回车之后,会显示:

Support Vector Classification
# O4 ]+ I/ ^  ?2 a5 X7 |_____________________________" Z' }1 g- H: P+ f5 I! \! V
Constructing ...8 `# K% J. P- Z4 L
Optimising ...9 @8 }2 M# t9 N: s& d
Execution time:  1.9 seconds
& Q! N; ~: ~4 _Status : OPTIMAL_SOLUTION
2 h; }" T& _, U0 T! d7 C|w0|^2    : 0.418414$ W; `; q3 c7 x& D0 M/ Y. g0 o
Margin    : 3.091912
( Y) I' E3 J3 U( F% b  x% P% wSum alpha : 0.418414
: s. c3 S/ |: C3 v& r3 USupport Vectors : 3 (3.0%)

nsv =

     3

: C# f8 k8 x/ P- h/ Walpha =

    0.0000
' u' X" g4 W& y9 ~. N3 [7 \    0.0000
1 i- k, K6 {0 R4 b) }    0.0000
! |) y. y8 x* K$ q# H' d6 O" F3 m    0.0000% }; V( g8 I0 |
    0.0000

    2)输入预测函数,可以得到与预想的分类结果进行比较.

      输入:predictedY = svcoutput(X,Y,X,ker,alpha,bias),回车后得到:

predictedY =

     1: m' H3 a  s2 R7 I4 w/ Y
     17 w1 k/ I. h  S7 N. A/ `: n7 J1 j
     1
7 ~$ g3 u( c( D6 S; V4 ?+ U* {5 A     1! ]" Q& x4 W1 V
     1
$ b4 B0 M& H7 x" Q: l     1
  E& S$ U" _+ h     1
" c1 o% ]8 I+ f2 d9 n     1
3 I1 r4 b7 o/ I2 W. j3 M( W9 `% Y+ |     1

    3)画图

      输入:svcplot(X,Y,ker,alpha,bias),回车

补充:

X和Y为数据,m*n:m为样本数,n为特征向量数

比如:取20组训练数据X,10组有故障,10组无故障的,每个训练数据有13个特征参数,则m=20,n=13

Y为20*1的矩阵,其中,10组为1,10组为-1.

对于测试数据中,如果取6组测试数据,3组有故障,3组无故障的,则m=6,n=13

Y中,m=6,n=1