matlab svm工具箱_机器学习笔记--SVM(MATLAB 实现代码)
我们知道SVM的基本原理就是找一个超平面(广义平面)将样本分为几个部分,即分类。MATLAB中自带SVM包,使用起来也十分方便,假如X是特征矩阵,Y是分类标签(可以是数值(1、2)也可以是string,总之有区别就行。)二分类代码SVMModel 线性分类和非线性分类我们在训练分类器的时候需要选择是线性分类还是非线性分类,比如如下两种:显然第一种适合线性分类,第二种适合曲线分类,也就是存在“异或”
我们知道SVM的基本原理就是找一个超平面(广义平面)将样本分为几个部分,即分类。
MATLAB中自带SVM包,使用起来也十分方便,假如X是特征矩阵,Y是分类标签(可以是数值(1、2)也可以是string,总之有区别就行。)
二分类代码
SVMModel
线性分类和非线性分类
我们在训练分类器的时候需要选择是线性分类还是非线性分类,比如如下两种:显然第一种适合线性分类,第二种适合曲线分类,也就是存在“异或”问题,需要映射到高维空间来寻找超平面。这种类似的选择称为“核函数”的选择,fitcsvm命令的KernelFunction可以选择三个核函数:'linear', 'gaussian' (or 'rbf'), 'polynomial',当然也可以自己编写核函数。核函数的选择是SVM分类器的最重要的参数。
举例:
SVMModel


分多类情形
%MATLAB自带数据,每一个样本都是两个特征,Y代表其分类,此数据中分类标签为3种。
load
%%将数据二维展示;%图中不同的颜色即为不同的标签。
figure

%不同分类训练分类器
SVMModels
%用meshgrid画出网格,并将网格点作为测试样本。计算每个测试样本的得分。
其中scores是一个多行三列的向量,每一列代表此种分类的可能性大小。maxScore代表最可能的分类。
d
%二维显示训练样本和测试样本。其中将不同的预测分类结果用不同的颜色展示
figure

算法类文章我都会同期更新到个人公众号:宽客塔,欢迎关注~~
这个公众号以前是写金融类消息的,后来因为个人转行,就改为分享机器学习算法知识,也算是边学边写,跟大家共同学习~
更多推荐
所有评论(0)