SVM实现多分类的程序基础工作(二)——通过一个简单libsvm例子迈入libsvm学习的大门
来源:互联网 发布:路由器端口限制 编辑:程序博客网 时间:2024/05/17 06:45
在SVM实现多分类的程序基础工作(一)中概要的介绍了为何要安装libsvm,那安装了libsvm之后要干嘛呢?给个例子简单的说明libsvm应用的方便性。我们用libsvm自带的测试数据heart_scale来进行训练:
%% HowToClassifyUsingLibsvm by faruto @ faruto's Studio~
%% a litte clean work
tic;
close all;
clear;
clc;
format compact;
%%
% 首先载入数据
load heart_scale;
data = heart_scale_inst;
label = heart_scale_label;
% 选取前200个数据作为训练集合,后70个数据作为测试集合
ind = 200;
traindata = data(1:ind,:);
trainlabel = label(1:ind,:);
testdata = data(ind+1:end,:);
testlabel = label(ind+1:end,:);
% 利用训练集合建立分类模型
model = svmtrain(trainlabel,traindata,'-s 0 -t 2 -c 1.2 -g 2.8');
%参数输入的意义:
% -s svm类型:SVM设置类型(默认0)
% 0 -- C-SVC
% 1 --v-SVC
%2 – 一类SVM
%3 -- e -SVR
% 4 -- v-SVR
% -t 核函数类型:核函数设置类型(默认2)
% 0 – 线性:u'v
% 1 – 多项式:(r*u'v + coef0)^degree
% 2 – RBF函数:exp(-r|u-v|^2)
% 3 –sigmoid:tanh(r*u'v + coef0)
% -g r(gama):核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)
% -c cost:设置C-SVC,e -SVR和v-SVR的参数(损失函数)(默认1)
% 分类模型model解密
model
Parameters = model.Parameters
Label = model.Label
nr_class = model.nr_class
totalSV = model.totalSV
nSV = model.nSV
% 利用建立的模型看其在训练集合上的分类效果
[ptrain,acctrain] = svmpredict(trainlabel,traindata,model);
% 预测测试集合标签
[ptest,acctest] = svmpredict(testlabel,testdata,model);
toc;
把此程序放入matlab新建的.m文件运行,那么你将会看到如下结果:
model =
Parameters: [5x1 double]
nr_class: 2
totalSV: 197
rho: 0.0583
Label: [2x1 double]
ProbA: []
ProbB: []
nSV: [2x1 double]
sv_coef: [197x1 double]
SVs: [197x13 double]
Parameters =
0
2.0000
3.0000
2.8000
0
Label =
1
-1
nr_class =
2
totalSV =
197
nSV =
89
108
Accuracy = 99.5% (199/200) (classification)
Accuracy = 68.5714% (48/70) (classification)
Elapsed time is 0.209811 seconds.
至此,我们完成了最简单的libsvm分类操作,从上来看使用libsvm进行分类很简单,只需要有属性矩阵和标签,然后就可以建立分类模型(model),然后利用得到的这个model进行分类预测了。上例中的属性矩阵就相当于libsvm自带的测试数据heart_scale中的heart_scale_inst;而标签就是libsvm自带的测试数据heart_scale中的 heart_scale_label。通过此实验更进一步的了解了libsvm工具的基本用法,这为libsvm的进一步学习打下了基础。
- SVM实现多分类的程序基础工作(二)——通过一个简单libsvm例子迈入libsvm学习的大门
- SVM实现多分类的程序基础工作(一)——安装libsvm以及libsvm和matlab自带的svm的区别
- SVM实现多分类的程序基础工作(一)——安装libsvm以及libsvm和matlab自带的svm的区别
- SVM实现多分类:libsvm的安装以及使用
- 学习SVM(libsvm)的点滴
- 3行程序搞定SVM分类-用JAVA程序调用LibSVM API 最简单的示例
- 3行程序搞定SVM分类-用JAVA程序调用LibSVM API 最简单的示例
- 3行程序搞定SVM分类-用JAVA程序调用LibSVM API 最简单的示例
- 3行程序搞定SVM分类-用JAVA程序调用LibSVM API 最简单的示例
- libSVM的一些总结,(libSVM多分类)
- 解密SVM系列(五):matlab下libsvm的简单使用:分类与回归
- 在SVM实现多分类的程序基础工作
- LibSVM学习(二)——第一次体验libSvm
- LibSVM学习(二)——第一次体验libSvm
- LibSVM学习(二)——第一次体验libSvm
- LibSVM学习(二)——第一次体验libSvm
- LibSVM学习(二)——第一次体验libSvm
- LibSVM学习(二)——第一次体验libSvm
- asp.net 验证码类
- LSI逆向设计(1)总论(未上载)
- Android端与服务端基于TCP/IP协议的Socket通讯
- LSI逆向设计(2)LVS-版图到线路图的自动转换器
- 在MFC窗口嵌入网页浏览器(web browser、html)
- SVM实现多分类的程序基础工作(二)——通过一个简单libsvm例子迈入libsvm学习的大门
- 利用栈将中缀表达式转换成后缀表达式
- 程序员都应该知道的福利
- mod_python 3.3.1支持python 2.6版本的编译
- JAVA安全体系结构分析
- java程序各个组成部分
- js在开发碰到很多的逻辑分支情况解决思路
- zoj 2212 || poj 2051 Argus
- Oracle 的表的管理----表名和列的命名规则和数据类型