Skip to content
TheChatArchiveThe Chat Archive
gpt-3.5-turbo-0301· OpenAIAi2 WildChat-4.8M (AI2)

基于MATLAB的线性SVM算法应用

  1. User

    基于MATLAB的线性SVM算法应用

  2. Assistant

    在MATLAB中,可以使用以下代码实现基于线性SVM算法的应用:

    1. 导入数据

    加载数据并将其分为训练集和测试集。

    load fisheriris   % 加载数据集
    X = meas(:,3:4);   % 提取花瓣长度和宽度特征
    Y = species;       % 类别
    rng(1);            % 控制随机数生成
    cv = cvpartition(Y,"holdout",0.3);  % 分割数据为训练和测试集
    Xtrain = X(training(cv),:);
    Ytrain = Y(training(cv));
    Xtest = X(test(cv),:);
    Ytest = Y(test(cv));
    
    1. 训练模型

    使用fitcsvm函数训练线性SVM模型,为了避免过拟合,需要设置正则化参数。

    SVMmodel = fitcsvm(Xtrain,Ytrain,"KernelFunction","linear","Standardize",true,"BoxConstraint",1,"ClassNames",["setosa","versicolor","virginica"]);
    
    1. 预测

    使用predict函数对测试集进行预测,并计算分类准确率。

    Ypred = predict(SVMmodel,Xtest);
    accuracy = sum(Ypred == Ytest)/length(Ytest);
    
    1. 结果可视化

    将训练集和测试集分别用不同的标记绘制在散点图上,使用SVMmodel.PredictFcn函数画出决策边界。

    h = figure;
    gscatter(Xtrain(:,1),Xtrain(:,2),Ytrain);
    hold on
    gscatter(Xtest(:,1),Xtest(:,2),Ytest,"^v","xm");
    hline = ezplot(@(x1,x2) predict(SVMmodel,[x1,x2]),get(gca,"XLim"));
    hline.Color = "k";
    hline.LineWidth = 2;
    hline.DisplayName = "SVM boundary";
    legend("Training set","Test set","SVM boundary","location","best");
    

    以上代码演示了如何使用MATLAB实现线性SVM算法在鸢尾花数据集上的应用,绘制了散点图及SVM决策边界图。该算法可以用于分类问题,适用于特征较少、样本数量较大的情况。