Java如何實(shí)現(xiàn)一類支持向量機(jī)

通常一類問(wèn)題出現(xiàn)在需要對(duì)訓(xùn)練樣本進(jìn)行一定比例的篩選，或者已知的訓(xùn)練樣本都是正樣本，而負(fù)樣本卻很少的情況。
這種情況下，往往需要訓(xùn)練一個(gè)對(duì)于訓(xùn)練樣本緊湊的分類邊界，就可以通過(guò)負(fù)樣本實(shí)驗(yàn)。一個(gè)簡(jiǎn)單的實(shí)際例子是：一個(gè)工廠對(duì)于產(chǎn)品的合格性進(jìn)行檢查時(shí)，往往所知道是合格產(chǎn)品的參數(shù)，而不合格的產(chǎn)品的參數(shù)要么空間比較大，要么知道的很少。這種情況下就可以通過(guò)已知的合格產(chǎn)品參數(shù)來(lái)訓(xùn)練一個(gè)一類分類器，得到一個(gè)緊湊的分類邊界，超出這個(gè)邊界就認(rèn)為是不合格產(chǎn)品。

%% 加載“鳶尾花”數(shù)據(jù)集

% 刪除花瓣的長(zhǎng)度和寬度

% 將所有的鳶尾花視為同一類

load fisheriris

X = meas(:,1:2);

y = ones(size(X,1),1);

%% 使用處理后的數(shù)據(jù)集訓(xùn)練SVM分類器

% 假設(shè)5%的觀測(cè)值是異常值

rng(1);

SVMModel = fitcsvm(X,y,'KernelScale','auto','Standardize',true,...

    'OutlierFraction',0.05);

% SVMModel模型是一個(gè)訓(xùn)練好的分類器

% 默認(rèn)情況下，軟件使用高斯內(nèi)核的一類學(xué)習(xí) 

%% 繪制觀測(cè)和檢測(cè)邊界，標(biāo)記支持向量和可能離群值

svInd = SVMModel.IsSupportVector;

h = 0.02; % 網(wǎng)格步長(zhǎng)

[X1,X2] = meshgrid(min(X(:,1)):h:max(X(:,1)),...

    min(X(:,2)):h:max(X(:,2)));

[~,score] = predict(SVMModel,[X1(:),X2(:)]);

scoreGrid = reshape(score,size(X1,1),size(X2,2));

figure

plot(X(:,1),X(:,2),'k.')

hold on

plot(X(svInd,1),X(svInd,2),'ro','MarkerSize',10)

contour(X1,X2,scoreGrid)

colorbar;

title('{\bf Iris Outlier Detection via One-Class SVM}')

xlabel('Sepal Length (cm)')

ylabel('Sepal Width (cm)')

legend('Observation','Support Vector')

hold off

% 圖中離群值和其他數(shù)據(jù)以0為分界線

%% 交叉驗(yàn)證數(shù)據(jù)中負(fù)分?jǐn)?shù)的觀測(cè)值比例接近5%

CVSVMModel = crossval(SVMModel);

[~,scorePred] = kfoldPredict(CVSVMModel);

outlierRate = mean(scorePred<0);

disp(outlierRate)