支持向量机（SVM）的一个简单应用实例及matlab代码
数据集下载地址 ：http://pan.baidu.com/s/1geb8CQf
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；
三、实验条件
1．LibSVM软件包，3.17版本；
2． Matlab 2013a。
四、实验方法与流程
(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
clear all; clc; %% %% 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;
