📄 svm.m
字号:
0.4162 0.2875 0.1334 0.1206 0.08039 0.17 0.1239 0.07449 0.04344 0.03259
0.2354 0.137 0.07848 0.0498 0.02266 0.1722 0.1461 0.1005 0.07612 0.05504
0.3119 0.2903 0.0974 0.0997 0.0966 0.1363 0.09716 0.06211 0.041 0.0344
0.3191 0.2452 0.09253 0.07112 0.05566 0.1518 0.1059 0.07925 0.05357 0.04315
0.3298 0.2374 0.1725 0.1128 0.5548 0.1378 0.1058 0.06073 0.04095 0.02924
0.4361 0.2718 0.1222 0.1013 0.06803 0.1419 0.113 0.1028 0.07612 0.02698
0.3829 0.2309 0.1948 0.09944 0.07762 0.1476 0.1163 0.0623 0.02467 0.01538
0.3462 0.248 0.1803 0.1394 0.1024 0.2246 0.2075 0.1748 0.07069 0.04883
0.4098 0.2374 0.1725 0.1428 0.1148 0.1839 0.1515 0.1024 0.08236 0.05577
0.3413 0.2674 0.1706 0.09945 0.08897 0.2436 0.1903 0.07899 0.03196 0.01839
0.3851 0.275 0.197 0.1436 0.1313 0.2242 0.1727 0.0613 0.05501 0.02306
0.4076 0.2085 0.1105 0.05602 0.02857 0.1576 0.1183 0.08635 0.05556 0.0252
0.386 0.2868 0.2085 0.1128 0.1093 0.144 0.09476 0.05909 0.03863 0.01973
0.3829 0.2309 0.1948 0.09944 0.07762 0.2068 0.139 0.1216 0.078 0.0176
0.3872 0.2186 0.1502 0.1051 0.07756 0.1241 0.1105 0.0729 0.05765 0.02724]'
x1=[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4]
% 数据修改 47％
%n2=[-0.1 0.01 0.0911 0.185 0.245 -0.08 -0.015 -0.065 -0.14 0.025 0.145 0.03 -0.015 -0.07 0.134 0.03 0.045 -0.255 -0.145 -0.08 0.195 0.03 -0.25 0.015 0.242 0.195 0.015 0.032 -0.045 -0.175 -0.05 0.075 0.035 0.085 -0.255 0.09 -0.122 0.052 0.065 0.075 0.005 -0.17 -0.175 0.21 0.121 -0.255 0.165 0.015 0.045 -0.145 -0.015 0.01 0.055 0.245 0.085 -0.03 -0.105 0.165 0.075 0.085 -0.04 -0.11 -0.05 -0.165 -0.31 -0.145 -0.22 -0.045 -0.15 -0.345 0.11 0.015 -0.18 0.075 -0.28 -0.47 -0.12 -0.04 0.085 -0.13;
%0.32 0.143 0.185 0.105 0.205 0.083 0.0352 0.1321 0.033 0.145 0.195 0.154 0.255 0.275 0.265 0.232 0.33 0.038 0.185 0.255 0.278 0.001 -0.065 0.143 0.1452 0.205 0.115 0.155 0.025 0.035 -0.035 0.165 -0.035 0.221 0.065 0.215 0.135 0.383 0.185 0.185 0.115 0.167 0.085 0.241 0.323 0.192 0.315 -0.105 0.154 0.431 0.182 -0.205 0.155 0.321 0.235 0.165 0.135 0.135 0.222 0.185 0.445 0.145 0.205 0.045 0.155 0.205 0.185 0.325 -0.165 0.115 0.125 0.225 -0.225 -0.552 0.235 0.001 -0.115 -0.112 0.122 0.132;
% 0.04 0.072 -0.07 -0.221 0.132 -0.025 0.015 -0.175 -0.12 -0.025 0.05 0.165 0.083 0.045 0.045 -0.13 -0.01 -0.155 -0.04 -0.03 0.08 -0.12 -0.14 -0.035 -0.01 0.06 0.025 0.245 -0.012 -0.063 -0.045 -0.015 0.06 0.12 0.013 0.244 0.053 0.035 0.132 0.013 -0.061 -0.083 -0.26 -0.233 0.075 -0.02 0.045 0.07 0.11 -0.14 -0.05 -0.025 -0.132 0.135 0.025 0.022 -0.205 -0.17 0.01 0.085 -0.015 -0.41 -0.19 0.001 -0.24 -0.11 -0.08 -0.14 -0.03 -0.025 -0.065 -0.02 -0.08 -0.12 -0.105 -0.29 -0.155 -0.04 -0.02 -0.06;
% -0.05 -0.035 -0.17 -0.375 -0.02 -0.26 -0.14 -0.045 -0.02 -0.16 0.05 0.035 -0.135 0.14 -0.08 -0.09 0.005 -0.20 -0.085 0.12 -0.07 -0.24 -0.325 -0.13 -0.05 -0.06 -0.155 -0.045 -0.096 0.04 -0.04 0.135 -0.06 -0.02 -0.225 -0.155 -0.015 -0.06 0.18 0.001 -0.055 -0.08 0.045 -0.19 0.07 -0.16 -0.03 -0.06 -0.04 0.125 -0.24 -0.09 -0.12 0.162 -0.08 -0.115 -0.31 -0.04 -0.08 -0.23 -0.06 -0.19 -0.13 -0.25 -0.145 -0.12 -0.21 -0.25 -0.08 -0.165 -0.135 -0.22 -0.06 -0.02 -0.215 -0.09 -0.41 -0.075 -0.19 -0.13]
%x2=[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4]
%原始数据 20％
n2=[0.3066 0.2173 0.1357 0.0672 0.04254 0.4141 0.2887 0.224 0.0778 0.1943
0.2605 0.1935 0.1442 0.1025 0.06474 0.3487 0.2455 0.1911 0.1183 0.06296
0.3026 0.1756 0.1066 0.07867 0.0563 0.5903 0.4313 0.3991 0.3301 0.1655
0.3204 0.2074 0.1543 0.1055 0.08051 0.3465 0.1855 0.1286 0.09603 0.09651
0.3003 0.212 0.1637 0.1194 0.08854 0.3465 0.1928 0.1241 0.0926 0.02926
0.2643 0.1904 0.1506 0.1291 0.09769 0.4947 0.3245 0.2719 0.255 0.1996
0.262 0.1869 0.133 0.1147 0.04623 0.4422 0.2388 0.1314 0.07466 0.03397
0.2706 0.1543 0.091 0.06842 0.04673 0.4971 0.4495 0.2615 0.2068 0.08268
0.2756 0.1783 0.1234 0.06184 0.04863 0.4108 0.3196 0.2484 0.1802 0.114
0.2595 0.174 0.1345 0.1136 0.05835 0.3914 0.3442 0.197 0.14 0.1019
0.2357 0.1854 0.1401 0.08618 0.05083 0.3427 0.2499 0.2004 0.1831 0.1642
0.2436 0.1602 0.131 0.1146 0.03712 0.4213 0.3843 0.2985 0.1408 0.1051
0.2706 0.1543 0.091 0.06842 0.04673 0.4971 0.4495 0.2615 0.2068 0.08268
0.2379 0.1596 0.1101 0.07064 0.06705 0.5119 0.3479 0.2555 0.1615 0.07123
0.2357 0.1854 0.1401 0.08618 0.05083 0.3427 0.2499 0.2004 0.1831 0.1642
0.2984 0.1973 0.1558 0.1168 0.04273 0.4609 0.3296 0.2592 0.2355 0.1422
0.3245 0.258 0.188 0.1011 0.07827 0.4566 0.3121 0.07637 0.05426 0.0512
0.253 0.1905 0.1606 0.0932 0.08484 0.3815 0.273 0.2306 0.1422 0.105
0.3172 0.2503 0.1525 0.1175 0.06488 0.4978 0.3498 0.267 0.1885 0.1095
0.2469 0.1916 0.00916 0.0682 0.0264 0.4181 0.3227 0.1795 0.1132 0.08948
0.3061 0.1501 0.07541 0.05767 0.03728 0.08897 0.05745 0.03534 0.02746 0.02268
0.2928 0.2269 0.1473 0.1009 0.06514 0.1087 0.07386 0.06602 0.04861 0.02458
0.3261 0.2694 0.1735 0.1327 0.1201 0.09192 0.0653 0.05072 0.02912 0.02573
0.3936 0.2148 0.1597 0.07115 0.05291 0.1131 0.08467 0.06975 0.06069 0.04105
0.3649 0.1891 0.1127 0.08083 0.03427 0.09644 0.07667 0.05332 0.03579 0.02693
0.3637 0.2366 0.1842 0.1232 0.06156 0.1082 0.06373 0.03768 0.0266 0.01306
0.3462 0.248 0.1803 0.1394 0.1024 0.1175 0.07651 0.04559 0.03636 0.03234
0.4098 0.2374 0.1725 0.1428 0.1148 0.1181 0.09662 0.03939 0.02647 0.02157
0.3413 0.2674 0.1706 0.09945 0.08897 0.1186 0.09684 0.08511 0.0687 0.03554
0.3851 0.275 0.197 0.1436 0.1313 0.1075 0.07763 0.05481 0.04578 0.04193
0.3784 0.2786 0.1299 0.1038 0.06199 0.112 0.1002 0.0697 0.04102 0.03698
0.3261 0.2694 0.1735 0.1327 0.1201 0.09192 0.0653 0.05072 0.02912 0.02573
0.3989 0.2836 0.1795 0.1359 0.1285 0.102 0.1066 0.08077 0.05729 0.0253
0.3649 0.1891 0.1127 0.08083 0.03427 0.121 0.08288 0.05803 0.05043 0.04788
0.3948 0.2842 0.1381 0.0825 0.1141 0.1116 0.08567 0.04614 0.03869 0.02297
0.3811 0.2566 0.2041 0.1316 0.05012 0.1136 0.09829 0.06986 0.05041 0.02355
0.4076 0.2085 0.1105 0.05602 0.02857 0.1127 0.0818 0.06392 0.04779 0.03574
0.386 0.2868 0.2085 0.1128 0.1093 0.1142 0.08363 0.07118 0.03671 0.02668
0.3829 0.2309 0.1948 0.09944 0.07762 0.089 0.05745 0.03534 0.02746 0.02288
0.3872 0.2186 0.1502 0.1051 0.07756 0.1122 0.1002 0.0697 0.04102 0.03698
0.1944 0.1344 0.08911 0.07077 0.06299 0.3245 0.2426 0.1587 0.04624 0.04066
0.1752 0.151 0.11 0.1003 0.06794 0.3952 0.3333 0.1657 0.1466 0.141
0.2609 0.1828 0.1228 0.1131 0.07349 0.5937 0.4321 2794 0.2287 0.1079
0.1894 0.1275 0.1089 0.05754 0.04377 0.4197 0.2643 0.1836 0.1696 0.1232
0.2528 0.1769 0.1599 0.1149 0.07392 0.528 0.3445 0.2605 0.1817 0.08807
0.1684 0.09823 0.07031 0.05865 0.04059 0.4064 0.3307 0.2325 0.1746 0.1566
0.1815 0.1386 0.09682 0.06708 0.04781 0.4468 0.3768 0.3153 0.268 0.1181
0.1459 0.1012 0.07736 0.04293 0.0314 0.3186 0.2577 0.1687 0.1149 0.09182
0.1921 0.1613 0.143 0.1049 0.05965 0.3744 0.2644 0.2248 0.1894 0.1206
0.1854 0.1411 0.0812 0.0424 0.03398 0.3788 0.2299 0.101 0.06233 0.03213
0.1771 0.1043 0.08031 0.04995 0.03449 0.3815 0.273 0.2306 0.1422 0.105
0.1773 0.1104 0.08155 0.04932 0.02451 0.3471 0.2195 0.1719 0.1178 0.1093
0.1706 0.1017 0.06015 0.04211 0.03462 0.3396 0.1984 0.1045 0.05272 0.04299
0.1506 0.08778 0.06083 0.03166 0.02753 0.4079 0.2866 0.126 0.1169 0.08921
0.1555 0.1235 0.08281 0.06462 0.0567 0.4068 0.2549 0.1723 0.1192 0.09939
0.1805 0.1179 0.07706 0.04081 0.03552 0.3905 0.321 0.1304 0.06539 0.05561
0.1404 0.09726 0.06411 0.04189 0.02155 0.4406 0.2687 0.193 0.09314 0.06491
0.1737 0.1058 0.08523 0.04828 0.02924 0.456 0.262 0.2287 0.1996 0.1201
0.1574 0.09068 0.07044 0.0549 0.0411 0.3696 0.2813 0.1621 0.1375 0.119
0.1599 0.09374 0.07137 0.04796 0.04027 0.3905 0.1833 0.1127 0.06366 0.0535
0.3396 0.2285 0.1647 0.1471 0.0784 0.1555 0.1212 0.1018 0.09709 0.06911
0.4138 0.2889 0.1357 0.06496 0.0441 0.2484 0.1683 0.1413 0.1157 0.01681
0.2543 0.1801 0.1131 0.08648 0.06785 0.1846 0.1497 0.1218 0.06232 0.04515
0.2948 0.1993 0.1141 0.09066 0.05919 0.1949 0.1671 0.1357 0.06733 0.0592
0.2187 0.1466 0.1062 0.09575 0.08838 0.1386 0.1037 0.05508 0.0301 0.0286
0.2602 0.1936 0.1511 0.1303 0.112 0.1294 0.06769 0.0453 0.02471 0.01854
0.3311 0.2483 0.2352 0.14 0.08499 0.1757 0.1435 0.1112 0.02748 0.01671
0.29 0.1563 0.1436 0.1081 0.0873 0.1798 0.1284 0.1109 0.1017 0.07002
0.2557 0.1665 0.1549 0.04602 0.03449 0.2276 0.09191 0.0694 0.03844 0.01514
0.2579 0.2229 0.1629 0.07591 0.05771 0.1705 0.09039 0.07068 0.0742 0.01831
0.3457 0.1858 0.1482 0.09657 0.03509 0.226 0.1376 0.1171 0.05694 0.04225
0.3523 0.2043 0.1349 0.09242 0.04402 0.1925 0.1454 0.1111 0.085 0.06024
0.4625 0.3877 0.1973 0.136 0.1217 0.1579 0.1117 0.0924 0.03456 0.02188
0.5091 0.4448 0.2847 0.2736 0.08984 0.2054 0.162 0.1104 0.04705 0.0364
0.3061 0.1501 0.07541 0.05767 0.03728 0.2238 0.2047 0.1657 0.1077 0.09818
0.2928 0.2269 0.1473 0.1009 0.06514 0.1388 0.06188 0.04765 0.02406 0.01718
0.3784 0.2786 0.1299 0.1038 0.06199 0.1804 0.132 0.09684 0.05619 0.04992
0.3261 0.2694 0.1735 0.1327 0.1201 0.2219 0.1255 0.1 0.08241 0.02495
0.2811 0.2203 0.1817 0.0828 0.03257 0.2063 0.1125 0.09054 0.07212 0.03864
0.3119 0.2408 0.2094 0.1287 0.04976 0.1856 0.1368 0.08419 0.06293 0.02899]'
x2=[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4]
xn_train = n1; % 训练样本
dn_train = x1; % 训练目标
xn_test = n2; % 测试样本
dn_test = x2; % 测试目标
%---------------------------------------------------
% 参数设置
Samples1 = xn_train;
Labels1 = dn_train;
Samples2 = xn_test;
Labels2 = dn_test;
Gamma = 1;
C = 1;
%---------------------------------------------------
% 训练与测试
% 训练
% 输出参数即是训练结果，其物理意义相当于网格结构参数，用于测试及新样本识别时的输入
% 这里使用 RbfSVC 函数训练，还可以使用 LinearSVC PolySVC 等函数来训练
[AlphaY, SVs, Bias, Parameters, nSV, nLabel] = ...
RbfSVC(Samples1, Labels1, Gamma, C);
% 测试
[ClassRate, DecisionValue, Ns, ConfMatrix, PreLabels] = ...
SVMTest(Samples2, Labels2, AlphaY, SVs, Bias,Parameters, nSV, nLabel);
%---------------------------------------------------
% 输出参数
% ClassRate - 正确分类率, 1x1;
% DecisionValue - 判别函数的输出（仅对2类问题有效）, 1xN;
% Ns - 每一类的样本数, 1x(L+1), 或 1xL；当为1x(L+1)时，最后一个元素不属于任何一类
% ConfMatrix - 错判矩阵 (L+1)x(L+1), or LxL, 这里 ConfMatrix(i,j) = P(X in j| X in i);
% 当为 (L+1)x(L+1) 时，最后一行和最后一列是那些不属于任何一类的样本
% PreLabels - 实际测试输出, 1xN.
%---------------------------------------------------
% 结果统计
Result = ~abs(PreLabels-Labels2) % 正确分类显示为1
Percent = sum(Result)/length(Result) % 正确分类率
⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -