基于SVM的数据分类预测——意大利葡萄酒种类识别

matlab程序，基于SVM的数据分类预测——意大利葡萄酒种类识别，里面一个.m文件，一个.mat数据集，直接可以使用。

%% Matlab神经网络43个案例分析

% 基于SVM的数据分类预测——意大利葡萄酒种类识别
% by 李洋（faruto）
% http://www.matlabsky.com
% Email:faruto@163.com
% http://weibo.com/faruto 
% http://blog.sina.com.cn/faruto
% 2013.01.01
%% 清空环境变量
close all;
clear;
clc;
format compact;
%% 数据提取

% 载入测试数据wine其中包含的数据为classnumber = 3wine:178*13的矩阵wine_labes:178*1的列向量
load chapter_WineClass.mat;

% 画出测试数据的box可视化图
figure;
boxplot（wine‘orientation‘‘horizontal‘‘labels‘categories）;
title（‘wine数据的box可视化图‘‘FontSize‘12）;
xlabel（‘属性值‘‘FontSize‘12）;
grid on;

% 画出测试数据的分维可视化图
figure
subplot（351）;
hold on
for run = 1:178
    plot（runwine_labels（run）‘*‘）;
end
xlabel（‘样本‘‘FontSize‘10）;
ylabel（‘类别标签‘‘FontSize‘10）;
title（‘class‘‘FontSize‘10）;
for run = 2:14
    subplot（35run）;
    hold on;
    str = [‘attrib ‘num2str（run-1）];
    for i = 1:178
        plot（iwine（irun-1）‘*‘）;
    end
    xlabel（‘样本‘‘FontSize‘10）;
    ylabel（‘属性值‘‘FontSize‘10）;
    title（str‘FontSize‘10）;
end

% 选定训练集和测试集

% 将第一类的1-30第二类的60-95第三类的131-153做为训练集
train_wine = [wine（1:30:）;wine（60:95:）;wine（131:153:）];
% 相应的训练集的标签也要分离出来
train_wine_labels = [wine_labels（1:30）;wine_labels（60:95）;wine_labels（131:153）];
% 将第一类的31-59第二类的96-130第三类的154-178做为测试集
test_wine = [wine（31:59:）;wine（96:130:）;wine（154:178:）];
% 相应的测试集的标签也要分离出来
test_wine_labels = [wine_labels（31:59）;wine_labels（96:130）;wine_labels（154:178）];

%% 数据预处理
% 数据预处理将训练集和测试集归一化到[01]区间

[mtrainntrain] = size（train_wine）;
[mtestntest] = size（test_wine）;

dataset = [train_wine;test_wine];
% mapminmax为MATLAB自带的归一化函数
[dataset_scaleps] = mapminmax（dataset‘01）;
dataset_scale = dataset_scale‘;

train_wine = dataset_scale（1:mtrain:）;
test_wine = dataset_scale（ （mtrain+1）:（mtrain+mtest）: ）;
%% SVM网络训练
tic;
model = svmtrain（train_wine_labels train_wine ‘-c 2 -g 1‘）;
toc;
%% SVM网络预测
tic;
[predict_label accuracydec_value1] = svmpredict（test_wine_labels test_wine model）;
toc;
%% 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_wine_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;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        2458  2014-08-20 12:53  chapter_WineClass.m
     文件       20168  2010-01-30 18:38  chapter_WineClass.mat