matlab SVM有監督學習

在機器學習領域，支援向量機svm(support vector machine)是乙個有監督的學習模型，通常用來進行模式識別、分類、以及回歸分析。

1. 2.

* 說明. matlab 版本： matlab_r2015a

**資料集： 將參考1中資料集重新命名便於直接匯入。

–icesongqiang

clear all;

clc;
%% 資料集已經整理，直接load
load ('bedroom.mat') % bedroom
load ('forest.mat') % forest
load ('labelset.mat') % labelset
dataset = [bedroom; forest];
%%%% 訓練集和測試集獲取
% 取bedroom，forest的前5行作為訓練集
train_set = [dataset(1
:5, :); dataset(11
:15, :)];
% 相應的訓練集的標籤
train_set_label = [labelset(1
:5); labelset(11
:15)];
% 將第一類的6-10,第二類的16-20,做為測試集
test_set = [dataset(6
:10, :); dataset(16
:20, :)];
% 相應的測試集的標籤
test_set_label = [labelset(6
:10); labelset(16
:20)];
%%%% 資料預處理，將訓練集和測試集歸一化到[0,1]區間
[mtrain, ntrain] = size(train_set);
[mtest, ntest] = size(test_set);
test_dataset = [train_set; test_set];
% mapminmax為matlab自帶的歸一化函式
[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網路訓練
model = svmtrain(train_set, train_set_label,'kernel_function','linear','showplot',true);
%% svm網路**
[predict_label] = svmclassify(model, test_set, 'showplot', true);
%% 結果分析
% 測試集的實際分類和**分類圖
figure;
hold on;
plot(test_set_label,'o');
plot(predict_label,'r*');
xlabel('測試集樣本','fontsize',12);
ylabel('類別標籤','fontsize',12);
legend('實際測試集分類','**測試集分類');
title('測試集的實際分類和**分類圖','fontsize',12);
最開始使用 參考1中
model = svmtrain(train_set_label, train_set, '-s 2 -c 1 -g 0.07');
會報出錯誤，個人感覺也應該是訓練集引數在第一位，於是參考2中的

svmmodel = svmtrain(traindata, trainlabel,'kernel_function','linear','showplot',true);
符合
svmstruct = svmtrain(training, y, 'param1',val1, 'param2',val2, ...) 
形式； 
2. 參考1中 

[predict_label] = svmpredict(test_set_labels, test_set, model); 
沒有svmpredict()函式，使用參考2中 

predict_label = svmclassify(svmmodel,testdata,'showplot',true); 
通過。搞清楚了，原來上面是使用的matlab自帶的svm庫，而參考1使用的libsvm，libsvm與matlab自帶的svm的區別參考3： 
*參考3： 
複製原文如下： 
1 matlab自帶的svm實現函式僅有的模型是c-svc(c-support vector classification)； 而libsvm工具箱有c-svc(c-support vector classification),nu-svc(nu-support vector classification),one-class svm(distribution estimation),epsilon-svr(epsilon-support vector regression),nu-svr(nu-support vector regression)等多種模型可供使用。 
2 matlab自帶的svm實現函式僅支援分類問題，不支援回歸問題；而libsvm不僅支援分類問題，亦支援回歸問題。 
3 matlab自帶的svm實現函式僅支援二分類問題，多分類問題需按照多分類的相應演算法程式設計實現；而libsvm採用1v1演算法支援多分類。 
4 matlab自帶的svm實現函式採用rbf核函式時無法調節核函式的引數gamma，貌似僅能用預設的；而libsvm可以進行該引數的調節。 
5 libsvm中的二次規劃問題的解決演算法是smo；而matlab自帶的svm實現函式中二次規劃問題的解法有三種可以選擇：經典二次方法；smo；最小二乘。（這個是我目前發現的matlab自帶的svm實現函式唯一的優點~）
而 libsvm的安裝可以參考其他，不做其他深入了解。
 
有監督學習
利用一組帶有標籤的資料，學習從輸入到輸出的對映，然後將這種對映關係應用到未知資料上，達到分類或回歸的目的。分類 當輸出為離散的，學習任務為分類任務。回歸 當輸出為連續的，學習任務為回歸任務。訓練集 用來訓練的已標註的資料，用來建立模型，發現規律。測試集 已標註的資料，通常隱藏標記，輸送給以訓練的模型...
有監督學習 無監督學習與半監督學習
這個問題可以回答得很簡單 是否有監督 supervised 就看輸入資料是否有標籤 label 輸入資料有標籤，則為有監督學習，沒標籤則為無監督學習。但根據知乎慣例，答案還是要繼續擴充套件的。首先看什麼是學習 learning 乙個成語就可概括 舉一反三。此處以高考為例，高考的題目在上考場前我們未必...
有監督學習和無監督學習 無監督學習
一.無監督學習包含的演算法 聚類 kmeans聚類演算法 降維 pca 之所以叫無監督學習 是因為模型是從無標籤的資料開始學習，沒有目標值。二.kmeans聚類 1.聚類演算法步驟 定義 將高維資料轉化為低維資料的過程，在此過程中可能會捨棄原有資料，創造新的變數 作用 降低原始資料的維數 複雜度 損...