支撑向量机作业（SVM）

题目：训练集: 中国与日本的沿海城市的经纬度坐标向量，中国标签为+1, 日本为标签
为-1.
测试集: 钓鱼岛的经纬度坐标向量
用支撑向量机设计分类器，（1）判断钓鱼岛属于哪一类；（2）增加几个非海边城
市的经纬度坐标进行训练，判断这些城市是否影响分类结果，是否为支撑向量。

调用 quadprog 函数求最优解可以很好的做支撑向量机的问题，利用两国沿
海城市为数据集判断钓鱼岛归属 matlab 代码：

%clear all;
close all;
clc;
p=input('please input experiment number: ');
if p==1                          %第一题x1=[119.28,26.08;%福州121.31,25.03;%台北121.47,31.23;%上海118.06,24.27;%厦门121.46,39.04;%大连122.10,37.50;%威海124.23,40.07];%丹东x2=[129.87,32.75;%长崎130.33,31.36;%鹿儿岛131.42,31.91;%宫崎130.24,33.35;%福冈133.33,15.43;%鸟取138.38,34.98;%静冈140.47,36.37];%水户   elseif  p==2                     %第二题，增加了内陆城市x1=[119.28,26.08;%福州121.31,25.03;%台北121.47,31.23;%上海118.06,24.27;%厦门113.53,29.58;%武汉104.06,30.67;%成都116.25,39.54;%北京121.46,39.04;%大连122.10,37.50;%威海124.23,40.07];%丹东x2=[129.87,32.75;%长崎130.33,31.36;%鹿儿岛131.42,31.91;%宫崎130.24,33.35;%福冈136.54,35.10;%名古屋132.27,34.24;%广岛139.46,35.42;%东京133.33,15.43;%鸟取138.38,34.98;%静冈140.47,36.37];%水户
endM1=size(x1);M2=size(x2);
%中国是1，日本是-1 y1=1;y2=-1;X=[x1;x2];
%定义H
H = eye(M1(2));
H = [zeros(1,M1(2));H];
H = [zeros(M1(2)+1,1) H];x11=y1*[ones(M1(1),1) x1];
x22=y2*[ones(M2(1),1) x2];
A = -1*[x11;x22];
b = -1*ones(size(X,1),1);
%调用quadprog函数求最优解
[x,fval,exitflag,output,lambda] = quadprog(H,[],A,b,[],[],[]);
XC=[123.28,25.45,1];
%判断钓鱼岛归属
sign(XC*x)
%画出两国沿海城市坐标
scatter(x1(:,1),x1(:,2),'o');
hold on;
scatter(x2(:,1),x2(:,2),'+');
hold on;
%画出钓鱼岛坐标
scatter(123.28,25.45,'*');
hold on;
a=110:5:135;
disp(x);
b=-x(2)/x(3)*a-x(1)/x(3);
%画出分类面
plot(a,b,'r-');

第一题没有陆地城市效果图如下：

添加了两国内陆后效果图如下：
由于内陆城市不是支持向量机，故添加内陆城市对于结果没有影响。由图结果跟 ans 结果等于 1 得出钓鱼岛属于中国的结论。为了判断非沿海城市是否影响判断与是否为支持向量。所以增加非沿海城市进行判断与不增加非沿海城市相比，分类面是否有变化，并对非沿海城市到分类面的距离进行判断，如果其距离大于最短距离，则它不是支持向量；如果其距离等于最短距离，则它是支持向量。由图形知道其距离不等于最短，即内地城市不是支撑向量机。

支撑向量机作业（SVM）相关推荐

python画反比例函数_反比例光滑支撑向量机
1. 引言 2001年Lee等人通过对支撑向量机的深入研究引入光滑的概念,使用了sigmoid积分函数p(x,α)对无约束的支撑向量机模型SVM [1] 进行光滑化,得出了分类性能较好的光滑支撑向量机 ...
Matlab：基于Matlab实现人工智能算法应用的简介(SVM支撑向量机GA遗传算法PSO粒子群优化算法)、案例应用之详细攻略
Matlab:基于Matlab实现人工智能算法应用的简介(SVM支撑向量机&GA遗传算法&PSO粒子群优化算法).案例应用之详细攻略目录 1.SVM算法使用案例 1.1.Libsvm ...
百面机器学习 #3 经典算法：01-1 线性可分（硬间隔）支撑向量机SVM
文章目录 ①从原始问题到对偶问题 ②对偶问题的解的形式化简 ③从对偶问题的解到原问题的解 ④从原问题的解到分离超平面和决策函数.支撑向量参考李航统计学习方法第7章. 支持向量机学习的基本想法是求解能 ...
百面机器学习 #3 经典算法：01-2 不完全线性可分（软间隔）支撑向量机SVM
文章目录 ①从原问题到对偶问题 ②对偶问题的解的形式化简 ③从对偶问题的解到原问题的解 ④从原问题的解到分离超平面.决策函数.支撑向量假设训练数据集不是线性可分的.通常情况是,训练数据中有一些特异点 ...
第11章支撑向量机SVM
支持向量机(support vector machines)是一种二分类模型,它的目的是寻找一个超平面来对样本进行分割,分割的原则是间隔最大化,最终转化为一个凸二次规划问题来求解.由简至繁的模型包括: ...
百面机器学习 #3 经典算法：01-3 核函数支撑向量机SVM
文章目录 1.3 非线性SVM与核技巧 1.3.1 核函数 1.3.2 核技巧在支持向量机中的应用 1.3.3 常用核函数 1.4 其他问题 1.4.1 是否存在一组参数使SVM训练误差为0:是 1. ...
Python机器学习：SVM001什么是支撑向量机
可以解决分类,回归问题......................... 逻辑回归解决分类问题思路定义一个概率函数进行建模,建立损失函数最小化损失函数决策边界的泛化效果不好....决策边界离红 ...
svm c++实现_机器学习笔记——SVM向量机
SVM支持向量机此教程分为两个部分: 第一个部分旨在使用可视化的方式让同学们理解SVM的工作原理, SVM分割线, SVM的支持向量. 并且使用实例证明SVM的分割线只由支持向量唯一缺点, 与线性回 ...
SVM-支持向量机原理详解与实践之一
SVM-支持向量机原理详解与实践前言去年由于工作项目的需要实际运用到了SVM和ANN算法,也就是支持向量机和人工神经网络算法,主要是实现项目中的实时采集图片(工业高速摄像头采集)的图像识别的这一部 ...
SVM-支持向量机原理详解与实践之四
SVM-支持向量机原理详解与实践之三 SVM原理分析核函数与核技巧什么是核什么是核,核其实就是一种特殊的函数,更确切的说是核技巧(Kernel trick),清楚的明白这一点很重要. 为什么说是 ...

支撑向量机作业（SVM）

支撑向量机作业（SVM）相关推荐

最新文章

热门文章