基于svm四种工具箱

基于四种SVM工具箱的分类与回归算法 LSSVM、OSU_SVM、stprtool以及SVM_SteveGunn，里面有例子 可参照例子建模

% 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@sina.com
% 个人主页：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（35）rand（35）+1rand（35）+2];
x2 = [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

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
----------- ---------  ---------- -----  ----
     目录           0  2018-04-02 19:11  基于四种SVM工具箱的分类与回归算法\
     文件         691  2017-05-23 16:20  基于四种SVM工具箱的分类与回归算法\buffer.mc
     文件        2560  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\Classification_LS_SVMlab.m
     文件        2063  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\Classification_OSU_SVM.m
     文件        2339  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\Classification_stprtool.m
     文件        1530  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\Classification_SVM_SteveGunn.m
     目录           0  2018-04-02 19:11  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\
     文件        2738  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\AFE.m
     文件        5785  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\bay_errorbar.m
     文件        2003  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\bay_initlssvm.m
     文件       10345  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\bay_lssvm.m
     文件        8187  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\bay_lssvmARD.m
     文件        9358  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\bay_modoutClass.m
     文件        5977  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\bay_optimize.m
     文件        4178  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\bay_rr.m
     文件        1691  2017-05-23 15:49  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\buffer.mc
     文件        5632  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\changelssvm.m
     文件        4245  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\code.asv
     文件        4245  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\code.m
     文件        2118  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\codedist_bay.m
     文件         756  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\codedist_hamming.m
     文件        2018  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\codedist_loss.m
     文件        4125  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\codelssvm.m
     文件        5197  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\code_ECOC.m
     文件         550  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\code_MOC.m
     文件         364  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\code_OneVsAll.m
     文件         555  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\code_OneVsOne.m
     文件          32  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\Contents.m
     文件        8174  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\crossvalidate.m
     文件        1886  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\deltablssvm.m
     文件        3369  2017-05-22 14:39  基于四种SVM工具箱的分类与回归算法\LS_SVMlab\democlass.m
............此处省略420个文件信息