• 大小: 2.6MB
    文件类型: .rar
    金币: 1
    下载: 0 次
    发布日期: 2023-10-27
  • 语言: 其他
  • 标签: svm  

资源简介

svm工具箱中有非常详细的svm的分类、回归、预测的源代码,并且有相应的例子,对需要使用svm的同志非常的有帮助!希望对大家有所启发和帮助!

资源截图

代码片段和文件信息

% 支持向量机用于多类模式分类 - 必须选择最优参数 gamsig2
% 工具箱:LS_SVMlab
% 使用平台:Matlab6.5
% 作者:陆振波,海军工程大学
% 欢迎同行来信交流与合作,更多文章与程序下载请访问我的个人主页
% 电子邮件:luzhenbo@yahoo.com.cn
% 个人主页:http://luzhenbo.88uu.com.cn

clc
clear
close all

%---------------------------------------------------
% 产生训练样本与测试样本,每一列为一个样本

n1 = [rand(35)rand(35)+1rand(35)+2];
x1 = [1*ones(15)2*ones(15)3*ones(15)];     % 特别注意:这里的目标与神经网络不同

n2 = [rand(31)];
x2 = [1*ones(11)];     % 特别注意:这里的目标与神经网络不同

xn_train = n1;          % 训练样本
dn_train = x1;          % 训练目标

xn_test = n2;           % 测试样本
dn_test = x2;           % 测试目标

%---------------------------------------------------
% 参数设置

X = xn_train‘;
Y = dn_train‘;
Xt = xn_test‘;
Yt = dn_test‘;

type = ‘c‘;
kernel_type = ‘RBF_kernel‘;
gam = 2;
sig2 = 2;

preprocess = ‘preprocess‘;
codefct = ‘code_MOC‘;           

% 将“多类”转换成“两类”的编码方案
% 1. Minimum Output Coding (code_MOC) 
% 2. Error Correcting Output Code (code_ECOC)
% 3. One versus All Coding (code_OneVsAll)
% 4. One Versus One Coding (code_OneVsOne) 

%---------------------------------------------------
% 编码

[Yccodebookold_codebook] = code(Ycodefct);

%---------------------------------------------------
% 交叉验证优化参数

%[gamsig2] = tunelssvm({XYctypegamsig2kernel_typepreprocess})

%---------------------------------------------------
% 训练与测试

[alphab] = trainlssvm({XYctypegamsig2kernel_typepreprocess});           % 训练
Yd0 = simlssvm({XYctypegamsig2kernel_typepreprocess}{alphab}Xt);      % 分类

%---------------------------------------------------
% 解码

Yd = code(Yd0old_codebook[]codebook);

%---------------------------------------------------
% 结果统计

Result = ~abs(Yd-Yt)               % 正确分类显示为1
Percent = sum(Result)/length(Result)   % 正确分类率

%---------------------------------------------------
% 注意:以这两种写法等价

% -- 1 --
% [Yccodebookold_codebook] = code(Y codefct)
% [alpha b] = trainlssvm({XYctypegamsig2kernelpreprocess})
% Yd0 = simlssvm({XYctypegamsig2kernel} {alphab} Xt)
% Yd = code(Yd0old_codebook[]codebook)

% -- 2 --
% model = initlssvm(XYtypegamsig2kernelpreprocess)
% model = changelssvm(model‘codetype‘codefct)
% model = trainlssvm(model)
% Yd = simlssvm(model Xt)

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       2523  2007-05-25 14:37  SVM工具箱\Classification_LS_SVMlab.m

     文件       2075  2007-03-15 14:09  SVM工具箱\Classification_OSU_SVM.m

     文件       2351  2007-03-15 14:09  SVM工具箱\Classification_stprtool.m

     文件       1542  2007-03-15 14:09  SVM工具箱\Classification_SVM_SteveGunn.m

     文件       2117  2008-10-05 19:36  SVM工具箱\Regression_SVM_SteveGunn.m

     文件       5148  2007-01-06 11:20  SVM工具箱\四种支持向量机工具箱使用要点.txt

     文件        655  2007-03-15 14:09  SVM工具箱\文件夹说明.txt

     文件       2738  2003-02-21 22:39  SVM工具箱\LS_SVMlab\AFE.m

     文件       5785  2003-02-21 22:39  SVM工具箱\LS_SVMlab\bay_errorbar.m

     文件       2003  2003-02-21 22:39  SVM工具箱\LS_SVMlab\bay_initlssvm.m

     文件      10345  2003-02-21 22:39  SVM工具箱\LS_SVMlab\bay_lssvm.m

     文件       8187  2003-02-21 22:39  SVM工具箱\LS_SVMlab\bay_lssvmARD.m

     文件       9358  2003-02-21 22:39  SVM工具箱\LS_SVMlab\bay_modoutClass.m

     文件       5977  2003-02-21 22:39  SVM工具箱\LS_SVMlab\bay_optimize.m

     文件       4178  2003-02-21 22:39  SVM工具箱\LS_SVMlab\bay_rr.m

     文件        164  2005-04-15 21:53  SVM工具箱\LS_SVMlab\buffer.mc

     文件       5632  2003-02-21 22:39  SVM工具箱\LS_SVMlab\changelssvm.m

     文件       4245  2005-04-15 19:10  SVM工具箱\LS_SVMlab\code.asv

     文件       4245  2005-04-15 19:11  SVM工具箱\LS_SVMlab\code.m

     文件       2118  2003-02-21 22:39  SVM工具箱\LS_SVMlab\codedist_bay.m

     文件        756  2003-02-21 22:39  SVM工具箱\LS_SVMlab\codedist_hamming.m

     文件       2018  2003-02-21 22:39  SVM工具箱\LS_SVMlab\codedist_loss.m

     文件       4125  2003-02-21 22:39  SVM工具箱\LS_SVMlab\codelssvm.m

     文件       5197  2003-02-21 22:39  SVM工具箱\LS_SVMlab\code_ECOC.m

     文件        550  2003-02-21 22:39  SVM工具箱\LS_SVMlab\code_MOC.m

     文件        364  2003-02-21 22:39  SVM工具箱\LS_SVMlab\code_OneVsAll.m

     文件        555  2003-02-21 22:39  SVM工具箱\LS_SVMlab\code_OneVsOne.m

     文件         32  2003-03-20 09:24  SVM工具箱\LS_SVMlab\Contents.m

     文件       8174  2003-02-21 22:39  SVM工具箱\LS_SVMlab\crossvalidate.m

     文件       1886  2003-02-21 22:39  SVM工具箱\LS_SVMlab\deltablssvm.m

............此处省略426个文件信息

评论

共有 条评论