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。

& t$ w) p0 o( O8 |7 Y  L" R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。
" p6 o% h/ @+ i* u& Z; T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。
2 r: {$ Y# ^- ]' Q$ |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。
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）。
3 a0 B1 P- P" z* v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。

当然，我会逐行解释以下代码的功能和作用。
8 X2 N) Y" `: o0 i1 J. e8 oclear
clc
! f' ?) H4 a7 W; D: ~: oclose all
, J0 J& D, l! B; r$ a1 ~. O% o  N
5 r1 _  j2 R& }; e; d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。
[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');
. j7 o. v) Q& b5 T' i[N,D] = size(heart_scale_inst);
; C# P. z" @. V  W
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;
testIndex = zeros(N,1); testIndex(201:N) = 1;
trainData = heart_scale_inst(trainIndex==1,;
trainLabel = heart_scale_label(trainIndex==1,;
) [: E( X% Q1 a5 x# }5 h# ]testData = heart_scale_inst(testIndex==1,;
testLabel = heart_scale_label(testIndex==1,;
7 J% |6 t- }7 v
  `7 f) B" B/ e: |( X/ E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)。
/ Q, Q3 L& r' Q( L. u: emodel = svmtrain(trainLabel, trainData, '-c 1 -g 0.07 -b 1');
6 P0 c1 A6 T' @$ S1 w/ N7 v[predict_label, accuracy, prob_values] = svmpredict(testLabel, testData, model, '-b 1');

. E3 n4 Q" {" \' D! h  l# h- w3 g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)。
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。
" s  i- \  O0 {: zcolorList = prism(100);
- W, A/ X; _; _" q, Z7 M, ^trueClassIndex = zeros(N,1);
trueClassIndex(heart_scale_label==1) = 1;
trueClassIndex(heart_scale_label==-1) = 2;
colorTrueClass = colorList(trueClassIndex,;
6 q, ]- X: }' s8 {" ]. j7 zresultClassIndex = zeros(length(predict_label),1);
# P% o" ?5 Z! `" b( rresultClassIndex(predict_label==1) = 1;
resultClassIndex(predict_label==-1) = 2;
colorResultClass = colorList(resultClassIndex,;

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)。
5 \! _/ t3 d  A% b, I& ?distanceMatrix = pdist(heart_scale_inst,'euclidean');
+ w1 x* u* ]; L$ t0 _  }newCoor = mdscale(distanceMatrix,2);

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)。
5 v3 Y, G- |$ G+ T& [x = newCoor(:,1);
y = newCoor(:,2);
patchSize = 30;
colorTrueClassPlot = colorTrueClass;
% d+ l6 q; m; f: Tfigure; scatter(x,y,patchSize,colorTrueClassPlot,'filled');
& m* [( s* g. Z% Ititle('whole data set');

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。
x = newCoor(testIndex==1,1);
* K3 `/ a8 G7 t  o, \: zy = newCoor(testIndex==1,2);
patchSize = 80*max(prob_values,[],2);
: \  N0 k7 j$ n, y1 t4 TcolorTrueClassPlot = colorTrueClass(testIndex==1,;
figure; hold on;
scatter(x,y,2*patchSize,colorTrueClassPlot,'o','filled');
scatter(x,y,patchSize,colorResultClass,'o','filled');
x = newCoor(trainIndex==1,1);
y = newCoor(trainIndex==1,2);
patchSize = 30;
. ?7 D( Y2 v, V1 {) QcolorTrueClassPlot = colorTrueClass(trainIndex==1,;
  f7 G/ y" U6 F: tscatter(x,y,patchSize,colorTrueClassPlot,'o');
title('classification results');
0 D+ W  n% ^+ d
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。

9 ^% d8 i, O5 ~! O) c7 E9 Q
/ c8 d: A4 e0 o4 {
1 {5 D9 a9 ^+ h; |- r