多分类SVM使用libsvm）

 
 
 %% Load data
% * 数据预处理--分两类情况
data = load（‘Iris.txt‘）;
%data = data.data;
%选择训练样本个数
num_train = 110;
%构造随机选择序列
%length函数:数组长度，即行数和列数中的较大值
%choose = randperm（length（data）;
 A=size（data1）;
choose=randperm（A）;%产生所有样本的随机序列A*1


train_data = data（choose（1:num_train）:）;%随机分配的训练集
%gscatter函数可以按分类或分组来画离散点，适用于画多个类别的离散样本分布图
%函数中，x和y是向量，是该点的x轴和y轴坐标，因为画在二维平面上，所以，如果是多维数据，只能从中选取两特征作为x，y坐标来代表点
%或者使用特定的降维投影函数来得到x，y。?group是类别标志或分组向量
%gscatter（train_data（:1）train_data（:2））;
label_train = train_data（:end）;
test_data = data（choose（num_train+1:end）:）;
label_test = test_data（:end）;
%% svm的构建与训练
% 第二种SVM多分类的方法 一对一 总共有（n*n-1）/2个分类器 ，最终让测试样本遍历所有的分类器，投票决定
  num = 0;
for i = 1:3-1 %3类
    %n*n-1）/2个分类器 这个训练模型是三分类的模型
    for j = i+1:3
        num = num + 1;
        %重新归类 在训练标签中确定分别表示的两类标签
        index1 = find（label_train == i）;
        index2 = find（label_train == j）;
        %生成一个训练样本数量*1的一个向量
        label_temp = zeros（（length（index1）+length（index2））1）;
        %svm需要将分类标签设置为1与-1
        label_temp（1:length（index1）） = 1;
        label_temp（length（index1）