支持向量机（SVM）分类器（matlab实现）

2744557306

支持向量机（Support Vector Machine，SVM）是一种常用的监督学习算法，广泛应用于模式识别、分类和回归分析等领域。SVM 的主要目标是找到一个最优的超平面来对数据进行划分，并实现在非线性情况下的高效分类。

通俗地说，我们可以想象 SVM 是一个将不同类别的数据点分隔开的分割线（二维平面）或超平面（高维空间）。SVM基于训练集中的样本点，通过寻找最优的分割线或超平面来实现分类。这里的最优意味着，将不同类别的样本点分隔得尽可能宽，以提高对新样本的泛化能力。分割线或超平面两侧的数据点被称为支持向量，它们对分类决策起到重要作用。

这段代码是一个简单的支持向量机（SVM）分类器的示例。代码使用了名为 "heart_scale" 的数据集，首先将数据集分为训练集和测试集，然后利用SVM模型对测试集进行分类，并将结果与实际标签进行对比。为了可视化高维数据，代码还使用了多维缩放（MDS）将数据从13维降低到2维。
0 f, A  B7 M& H3 r1 h- g首先，代码读取 "heartscale" 数据集，其中包括标签（heartscalelabel）和特征向量（heartscale_inst）。然后确定训练集和测试集的索引，并将数据分成相应的部分。
接下来，代码使用训练集数据（trainData）和标签（trainLabel）训练SVM模型。然后使用训练好的模型对测试集数据（testData）进行分类，得到预测标签（predictlabel）、准确率（accuracy）和类别概率值（probvalues）。
代码的下一部分是为每个类别分配颜色。根据数据集标签的值，将其转换为类别索引，然后使用预先定义的颜色列表（colorList）为每个类别确定颜色。
% r" \& n' o$ p! M: z- Q- R; g通过多维缩放（MDS），代码将原始的13维特征向量降低到2维。首先，通过计算特征向量间的欧氏距离（distanceMatrix），得到距离矩阵。然后，将距离矩阵作为输入，使用MDS将特征向量降低到2维，得到新的坐标（newCoor）。
4 X/ M% d7 h/ E' o最后，代码使用散点图展示结果。首先，在整个数据集上绘制散点图，并根据真实类别（colorTrueClass）为每个数据点上色。然后，绘制测试集的散点图，并根据真实类别（colorTrueClassPlot）和预测类别（colorResultClass）分别为数据点上色。最后，绘制训练集的散点图，并根据真实类别（colorTrueClassPlot）为数据点上色。
  D* L% `- N2 u2 k* T
+ H) _' ]5 ^4 L# g* r6 s当然，我会逐行解释以下代码的功能和作用。
& H) C0 i& R; x; A$ z* H" nclear
clc
close all

这些行代码用于清除MATLAB工作区域中的变量，清除命令行窗口上的内容，并关闭所有打开的图形窗口。
! C  Q1 U3 ^2 E+ w' m& \6 O[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');
% D2 {0 u9 O+ K. r3 s) p[N,D] = size(heart_scale_inst);
( c/ ]8 E/ ~* A/ E1 G5 W5 b$ }
这两行代码读取文件 heart_scale 中的数据并将其分配给变量 heart_scale_label 和 heart_scale_inst。heart_scale_label 是数据的标签，而 heart_scale_inst 是数据的特征或属性。[N,D] = size(heart_scale_inst) 用于获取 heart_scale_inst 的大小，其中 N 是数据点的数量，D 是每个数据点的特征维度。
trainIndex = zeros(N,1); trainIndex(1:200) = 1;
6 f4 w  ^9 X9 X5 t* LtestIndex = zeros(N,1); testIndex(201:N) = 1;
  q1 |2 r, S. r5 ?& i/ u8 JtrainData = heart_scale_inst(trainIndex==1,;
4 ~' Q3 @5 Y* a* h' }" U. NtrainLabel = heart_scale_label(trainIndex==1,;
! I; t+ l! l. ^0 u" ~7 stestData = heart_scale_inst(testIndex==1,;
( q: f- a( ?6 U+ C* d8 T" e2 l9 u0 r- JtestLabel = heart_scale_label(testIndex==1,;
! b- Q  C/ Y2 |
这部分代码定义了训练集和测试集的索引，并使用这些索引将数据划分为相应的部分。首先，通过创建一个大小为 N 的零向量 trainIndex 和 testIndex，将训练集和测试集的索引位置标记为1。然后，使用这些索引从 heart_scale_inst 和 heart_scale_label 中选择相应的数据点和标签，形成训练集数据 (trainData)、训练集标签 (trainLabel)、测试集数据 (testData) 和测试集标签 (testLabel)。
model = svmtrain(trainLabel, trainData, '-c 1 -g 0.07 -b 1');
[predict_label, accuracy, prob_values] = svmpredict(testLabel, testData, model, '-b 1');

7 k0 Q4 o5 z8 |. T' u7 Q  W这部分代码使用支持向量机 (SVM) 进行训练和测试。首先，使用 svmtrain 函数训练一个SVM模型，其中训练集标签 (trainLabel) 和训练集数据 (trainData) 作为输入。额外的参数 -c 1 -g 0.07 -b 1 是SVM的参数设置，其中 -c 是惩罚项系数，-g 是高斯核函数的参数，-b 启用概率输出。训练完成后，得到一个训练好的模型 (model)。
0 ~- C" R' w! Z然后，使用 svmpredict 函数根据 model 对测试集数据 (testData) 进行预测，并将预测标签 (predict_label)、准确率 (accuracy) 和类别概率值 (prob_values) 分别赋值给相应的变量。
+ H( V3 I4 j9 n) ^" s8 gcolorList = prism(100);
" z- c3 B8 r0 B4 |trueClassIndex = zeros(N,1);
trueClassIndex(heart_scale_label==1) = 1;
trueClassIndex(heart_scale_label==-1) = 2;
colorTrueClass = colorList(trueClassIndex,;
6 s, p6 V$ B4 V5 zresultClassIndex = zeros(length(predict_label),1);
resultClassIndex(predict_label==1) = 1;
% q% Y* U% W9 I: t6 DresultClassIndex(predict_label==-1) = 2;
* I/ v2 P, p! ]colorResultClass = colorList(resultClassIndex,;
& g% q  x1 q# @! p
; D& f- B# T$ ^, F: c这部分代码用于为每个类别分配颜色。通过 prism(100) 函数创建一个颜色映射列表 colorList。然后，根据原始数据的标签 (heart_scale_label)，将标签为1的数据点的索引标记为1，标签为-1的数据点的索引标记为2。根据这些索引，从 colorList 中选择相应的颜色，得到真实类别的颜色 (colorTrueClass)。类似地，使用预测标签 (predict_label) 创建结果类别的颜色 (colorResultClass)。
- O" u& u% a8 @* s8 |2 {: TdistanceMatrix = pdist(heart_scale_inst,'euclidean');
newCoor = mdscale(distanceMatrix,2);
5 J: k* C9 a& `, ]5 I
7 f6 s- A3 P/ J; v5 o! W, G" D这部分代码计算了原始数据点之间的欧氏距离矩阵 (distanceMatrix)，并将其作为输入传递给 mdscale 函数。mdscale 函数将高维特征向量 (13D) 降维到2维，并返回新的二维坐标 (newCoor)。
x = newCoor(:,1);
* z5 c3 C$ A: K( fy = newCoor(:,2);
& S3 \& }( Q" xpatchSize = 30;
colorTrueClassPlot = colorTrueClass;
figure; scatter(x,y,patchSize,colorTrueClassPlot,'filled');
title('whole data set');
; H9 j# r4 c( X7 S
6 |( ?" \/ [( s4 S" Z0 g3 U0 a这部分代码用于绘制整个数据集的散点图。首先，将新的坐标中的第一列 (x) 和第二列 (y) 分别赋值给变量。然后，根据真实类别的颜色 (colorTrueClassPlot)，使用 scatter 函数绘制散点图，并设置散点的大小为 patchSize。最后，通过 title 函数给图像添加标题。
/ b( B/ g3 E3 e  ?( T/ @x = newCoor(testIndex==1,1);
y = newCoor(testIndex==1,2);
patchSize = 80*max(prob_values,[],2);
colorTrueClassPlot = colorTrueClass(testIndex==1,;
figure; hold on;
scatter(x,y,2*patchSize,colorTrueClassPlot,'o','filled');
! U6 V& k& C& O# _scatter(x,y,patchSize,colorResultClass,'o','filled');
2 M3 q8 }3 o/ s: @x = newCoor(trainIndex==1,1);
$ A: T+ B: O; |- O( Ly = newCoor(trainIndex==1,2);
1 M* a+ A  m  fpatchSize = 30;
colorTrueClassPlot = colorTrueClass(trainIndex==1,;
scatter(x,y,patchSize,colorTrueClassPlot,'o');
' e( t, z. `' o5 L; g/ rtitle('classification results');

这部分代码用于绘制分类结果的散点图。首先，将测试集的新坐标 (newCoor) 中仅包含测试数据的部分的第一列 (x) 和第二列 (y) 赋值给 x 和 y 变量。然后，根据真实类别的颜色 (colorTrueClassPlot) 使用 scatter 函数绘制测试数据的散点图，设置散点的大小为 patchSize 的2倍，并使用真实类别的颜色填充。接下来，再次使用 scatter 函数绘制测试数据的散点图，散点的大小为 patchSize，颜色根据预测的类别 (colorResultClass) 填充。最后，将训练集数据的散点图绘制在图像上，同样使用真实类别的颜色填充。通过 title 函数给图像添加标题。
希望这些逐行解释能够帮助您理解代码的功能和作用。如果还有其他问题，请随时提问。
7 B) u) m6 q) @- q1 K% t4 l1 c
/ G& x" c% q& z  B% v3 x
- k' F& r) ^$ T8 @0 a
; M, @, _4 B$ m. s7 `4 u" \1 G