matlab版SVM代码，线性和非线性，拿来及可用

这个代码是运行好的，拿来就可用。编写简洁易懂

function [Crate] = SVMK（XYCdelta_kXtestYtest）
%  X  一训练样本
%  Y  一训练样本类别
%  C  一 惩罚系数
% delta_k  一高斯核函数参数
%  Xtest  一 正测试样本
%  Ytest  一负测试样本
[ndim] = size（X）;
% H = zeros（nn）;
% for i = 1:n
%     for j= 1:n
%         H（ij） = Y（i1）*Y（j1）*kernel（X（i:）X（j:）kerType） ;%X（i:）*X（j:）‘;
%     end
% end  %Dij = YiYjK（XiXj）
H = （Y*Y‘）.*exp（-delta_k^2*（dist（XX‘）.^2））;%kernel（XXkerType）;% kerType为linear或rbf
f = -ones（n1）;
A = [];
b = [];
Aeq = Y‘;
beq = 0;
lb = zeros（n1）; % alphas > = 0
ub = C*ones（n1）; % alphas < = C
x0 = zeros（n1）; % 赋初值[00...0]
options = optimset;    % Options是用来控制算法的选项参数的向量
options.LargeScale = ‘off‘;
options.Display = ‘off‘;
[xfvalexitflag] = quadprog（HfAbAeqbeqlbubx0options）;  % 调用quadprog函数
a = x;
epsilon = 1e-8; 
%display（a）;
sv_label = find（abs（a）>epsilon）;  %0a = a（sv_label）;
Xsv = X（sv_label:）;
Ysv = Y（sv_label）;
num = length（Ysv）;
% %% 求w     
% W = zeros（1dim）;
% for i = 1:num
%     W = W+ a（i1）*Ysv（i）*Xsv（i:）;
% end
%% 求b 
b=（1/num）*sum（Ysv - sum（（Ysv*a‘）.*exp（-delta_k^2*（dist（XsvXsv‘）.^2））2））;
%% 预测
%%正样本预测
Ptest_n = size（Xtest1）;
PS = sign（exp（-delta_k^2*（dist（XtestXsv‘）.^2））*（a.*Ysv）+b*ones（Ptest_n1））;  %计算+b的符号
Pc_num = length（find（PS==1））;  %正样本中判断正确的样本个数
Pf_num = length（find（PS==-1））;  %正样本中判断错误的样本个数
%%负样本预测
Ntest_n = size（Ytest1）;
NS = sign（exp（-delta_k^2*（dist（YtestXsv‘）.^2））*（a.*Ysv）+b*ones（Ptest_n1））;  %计算+b的符号
Nc_num = length（find（NS==-1））;  %正样本中判断正确的样本个数
Nf_num = length（find（NS==1））;  %正样本中判断错误的样本个数
%%正确率
Crate = （Pc_num+Nc_num）/（Pc_num+Pf_num+Nc_num+Nf_num）;
end

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        1809  2014-11-21 11:56  SVMK.m
     文件        1667  2014-11-21 11:59  SVML.m