您好,登錄后才能下訂單哦!
這篇文章主要介紹“matlab怎么優(yōu)化支持向量機(jī)的分類”,在日常操作中,相信很多人在matlab怎么優(yōu)化支持向量機(jī)的分類問題上存在疑惑,小編查閱了各式資料,整理出簡單好用的操作方法,希望對(duì)大家解答”matlab怎么優(yōu)化支持向量機(jī)的分類”的疑惑有所幫助!接下來,請(qǐng)跟著小編一起來學(xué)習(xí)吧!
通過交叉驗(yàn)證方法利用訓(xùn)練集找到分類的最佳參數(shù),不但能夠高淮確率的預(yù)測(cè)訓(xùn)練集而且要合理的預(yù)測(cè)測(cè)試集,使得測(cè)試集的分類準(zhǔn)確率也維持在一個(gè)較高水平,即使得得到的SVM分類器的學(xué)習(xí)能力和推廣能力保持一個(gè)平衡.避免過學(xué)習(xí)和欠學(xué)習(xí)狀況發(fā)生。
交叉驗(yàn)證方法就是讓c和g在一定的范圍內(nèi)取值,對(duì)于取定得c和g把訓(xùn)練集作為原始數(shù)裾集利用K - CV方法得到在此組c和g下訓(xùn)練集驗(yàn)證分類準(zhǔn)確率,最終取使得訓(xùn)練集驗(yàn)證分類準(zhǔn)確率最高的那組c和g做為最佳的參數(shù),但有一個(gè)問題就是可能會(huì)有多組的c和g對(duì)應(yīng)于最高的驗(yàn)證分類準(zhǔn)確率,這種情況怎么處理?這里采用的手段是選取能夠適到最高驗(yàn)證分類準(zhǔn)確率巾參數(shù)r最小的那組c和g做為最佳的參數(shù),如果對(duì)應(yīng)最小的c有多組g,就選取搜索到的第一組c和g做為最佳的參數(shù)。這樣做的理由是:過高的c會(huì)導(dǎo)致過學(xué)習(xí)狀態(tài)發(fā)生,即訓(xùn)練集分類準(zhǔn)確率很高而測(cè)試集分類準(zhǔn)確率很低(分類器的泛化能力降低),所以在能夠達(dá)到最高驗(yàn)證分類準(zhǔn)確率中的所有的成對(duì)的c和g中認(rèn)為較小的懲罰參數(shù)c是更佳的選擇對(duì)象。
%% 清空環(huán)境變量
clear
clc
%% 導(dǎo)入數(shù)據(jù)
load BreastTissue_data.mat
% 隨機(jī)產(chǎn)生訓(xùn)練集和測(cè)試集
n = randperm(size(matrix,1));
% 訓(xùn)練集——80個(gè)樣本
train_matrix = matrix(n(1:80),:);
train_label = label(n(1:80),:);
% 測(cè)試集——26個(gè)樣本
test_matrix = matrix(n(81:end),:);
test_label = label(n(81:end),:);
%% 數(shù)據(jù)歸一化
[Train_matrix,PS] = mapminmax(train_matrix');
Train_matrix = Train_matrix';
Test_matrix = mapminmax('apply',test_matrix',PS);
Test_matrix = Test_matrix';
%% SVM創(chuàng)建/訓(xùn)練(RBF核函數(shù))
% 尋找最佳c/g參數(shù)——交叉驗(yàn)證方法
[c,g] = meshgrid(-10:0.2:10,-10:0.2:10);
[m,n] = size(c);
cg = zeros(m,n);
eps = 10^(-4);
v = 5;
bestc = 1;
bestg = 0.1;
bestacc = 0;
for i = 1:m
for j = 1:n
cmd = ['-v ',num2str(v),' -t 2',' -c ',num2str(2^c(i,j)),' -g ',num2str(2^g(i,j))];
cg(i,j) = svmtrain(train_label,Train_matrix,cmd);
if cg(i,j) > bestacc
bestacc = cg(i,j);
bestc = 2^c(i,j);
bestg = 2^g(i,j);
end
if abs( cg(i,j)-bestacc )<=eps && bestc > 2^c(i,j)
bestacc = cg(i,j);
bestc = 2^c(i,j);
bestg = 2^g(i,j);
end
end
end
cmd = [' -t 2',' -c ',num2str(bestc),' -g ',num2str(bestg)];
% 創(chuàng)建/訓(xùn)練SVM模型
model = svmtrain(train_label,Train_matrix,cmd);
%% SVM仿真測(cè)試
[predict_label_1,accuracy_1] = svmpredict(train_label,Train_matrix,model);
[predict_label_2,accuracy_2] = svmpredict(test_label,Test_matrix,model);
result_1 = [train_label predict_label_1];
result_2 = [test_label predict_label_2];
%% 繪圖
figure
plot(1:length(test_label),test_label,'r-*')
hold on
plot(1:length(test_label),predict_label_2,'b:o')
grid on
legend('真實(shí)類別','預(yù)測(cè)類別')
xlabel('測(cè)試集樣本編號(hào)')
ylabel('測(cè)試集樣本類別')
string = {'測(cè)試集SVM預(yù)測(cè)結(jié)果對(duì)比(RBF核函數(shù))';
['accuracy = ' num2str(accuracy_2(1)) '%']};
title(string)
到此,關(guān)于“matlab怎么優(yōu)化支持向量機(jī)的分類”的學(xué)習(xí)就結(jié)束了,希望能夠解決大家的疑惑。理論與實(shí)踐的搭配能更好的幫助大家學(xué)習(xí),快去試試吧!若想繼續(xù)學(xué)習(xí)更多相關(guān)知識(shí),請(qǐng)繼續(xù)關(guān)注億速云網(wǎng)站,小編會(huì)繼續(xù)努力為大家?guī)砀鄬?shí)用的文章!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。