二维SVM的可视化解释

二维SVM的可视化解释（数字化图像处理与机器视觉P557）

使用svmtrain( )和svmclassify( )函数解决了一个二维空间的两类问题。

 本例使用MATLAB自带的鸢尾属植物数据集来将刚刚学习的SVM训练和分类付诸实践，数据集本身共有150个样本，每个样本为一个4维的特征向量，这4维特征向量意义为：花瓣长度，花瓣宽度，萼片长度，萼片宽度，150个样本分别属于3类鸢尾属植物（每类50个样本）。实验中智勇了前二维特征，这主要是为了便于训练和分类结果的可视化。为了暂时避开多类问题，将样本是哪一类的3类问题变成了样本是不是“setosa”类的两类问题。


Matalab代码：


load fisheriris;
data=[meas(:,1),meas(:,2)];                                       %取出样本的前2维（列）作为特征,并存入data(不需要预先定义类型，自动识别)中。
groups=ismember(species,'setosa');                                %转化为“是不是setosa类”的2类问题
[train,test]=crossvalind('holdOut',groups);                        %利用交叉验证随机分割数据集，train保存训练数据，test保存测试数据。
svmStruct=svmtrain(data(train,:),groups(train),'showplot',true);   %利用train中的数据，训练一个线性的支持向量机，训练好的分类保存在svmStruct
classes=svmclassify(svmStruct,data(test,:),'showplot',true);       %利用包含训练所得分类器信息的svmStruct对测试样本进行分类，分类结果保存操classes


%计算测试样本的识别率
nCorrect=sum(classes==groups(test,:));                              %正确分类的样本数目
accuracy=nCorrect/length(classes);                                  %计算正确率  


 结果：accuracy=0.9867