********************************************************

*********************************************************

一次模式识别课中的关于SVM用法的一个简单的实例(训练集和测试集简单的划分)：

一、实验目的

1．掌握支持向量机(SVM)的原理、核函数类型选择以及核参数选择原则等；

2．熟悉基于libSVM二分类的一般流程与方法；

二、实验内容

1．对“bedroom， forest”两组数据进行分类(二分类)；

2．得到试验分类准确率；

1．LibSVM软件包，3.17版本；

2． Matlab 2013a。

(1) 试验流程：

Step1: 根据给定的数据，选定训练集和测试集；

Step2: 为训练集与测试集选定标签集；

Step3: 利用训练集进行训练分类器得到model；

Step4: 根据model，对测试集进行测试集得到accuracy rate；

(2) 实验数据准备：

“bedroom.mat”10*15的矩阵，分别代表了不同的十张有关于bedroom的图片的15维属性；

“forest.mat”10*15矩阵，分别代表了不同的十张有关于forest的图片的15维属性特征；

训练集：trainset(); 分别取bedroom(1:5,:)和forse(1:5,:)作为训练集；

测试集：testset(); 分别取bedroom(6:10,:)和forse(6:10,:)作为测试集；

标签集：label(); 取bedroom的数据为正类标签为1；forse的数据为负类标签为-1.

(3) Matlab程序与实验结果：

附录：matlab代码

%% SVM数据分类预测---作业数据

%

%

%*****write by Taozhang 2014.04.16

%%

clear all;

clc;

%%

% 作业中提供的数据已做整理，不在单独导入；

%%

dataset是将bedroom和forest合并；dataset =

[bedroom;forset];这行代码可以实现合并

load

dataset.mat %导入要分类的数据集

load

labelset.mat %导入分类集标签集

% 选定训练集和测试集

% 将第一类的1-5,第二类的11-15做为训练集

train_set = [dataset(1:5,:);dataset(11:15,:)];

% 相应的训练集的标签也要分离出来

train_set_labels =

[lableset(1:5);lableset(11:15)];

% 将第一类的6-10,第二类的16-20,做为测试集

test_set = [dataset(6:10,:);dataset(16:20,:)];

% 相应的测试集的标签也要分离出来

test_set_labels =

[lableset(6:10);lableset(16:20)];

% 数据预处理,将训练集和测试集归一化到[0,1]区间

[mtrain,ntrain] = size(train_set);

[mtest,ntest] = size(test_set);

test_dataset = [train_set;test_set];

% mapminmax为MATLAB自带的归一化函数

[dataset_scale,ps] =

mapminmax(test_dataset',0,1);

dataset_scale = dataset_scale';

train_set = dataset_scale(1:mtrain,:);

test_set = dataset_scale(

(mtrain+1):(mtrain+mtest),: );

%% SVM网络训练

model = svmtrain(train_set_labels, train_set, '-s 2

-c 1 -g 0.07');

%% SVM网络预测

[predict_label] = svmpredict(test_set_labels,

test_set, model);

%% 结果分析

% 测试集的实际分类和预测分类图

% 通过图可以看出只有一个测试样本是被错分的

figure;

hold on;

plot(test_set_labels,'o');

plot(predict_label,'r*');

xlabel('测试集样本','FontSize',12);

ylabel('类别标签','FontSize',12);

legend('实际测试集分类','预测测试集分类');

title('测试集的实际分类和预测分类图','FontSize',12);

grid on;

程序运行结果：

optimization finished, #iter = 5

nu = 0.643949

obj = -4.304693, rho = -0.008725

nSV = 8, nBSV = 6

Total nSV = 8

Accuracy = 100% (10/10) (classification)