1 简介

支持向量机是利用已知数据类别的样本为训练样本，寻找同类数据的空间聚集特征，从而对测试样本进行分类验证，通过验证可将分类错误的数据进行更正。本文以体检数据为数据背景，首先通过利用因子分析将高维数据进行降维，由此将所有指标整合成几个综合性指标；为降低指标之间的衡量标准所引起的误差，本文利用 MATLAB软件将数据进行归一化处理，结合聚类分析将数据分类；最后本文利用最小二乘支持向量机分类算法进行分类验证，从而计算出数据分类的准确率，并验证了数据分类的准确性和合理性。

2 部分代码

%% 清空环境变量

clc

clear;

close all;

%% 加载能量特征样本

data_123=xlsread('data.xlsx');

%% 构造训练样本和测试样本

sample_1=data_123(1:15,1:5); % 

rowrank_1=randperm(size(sample_1,1)); %这里对数据的行进行随机排列；% 随机打乱矩阵的行数

data_1 = sample_1(rowrank_1, :);  %data_1表示随机排列后的数据样本

sample_2=data_123(16:25,1:5); % 

rowrank_2=randperm(size(sample_2,1)); %这里对数据的行进行随机排列；% 随机打乱矩阵的行数

data_2 = sample_2(rowrank_2, :);  %data_2表示随机排列后的数据样本

sample_3=data_123(26:38,1:5); % 

rowrank_3=randperm(size(sample_3,1)); %这里对数据的行进行随机排列；% 随机打乱矩阵的行数

data_3 = sample_3(rowrank_3, :);  %data_3表示随机排列后的数据样本

sample_4=data_123(39:47,1:5); % 正常

rowrank_4=randperm(size(sample_4,1)); %这里对数据的行进行随机排列；% 随机打乱矩阵的行数

data_4 = sample_4(rowrank_4, :);  %data_4表示随机排列后的数据样本

%定义一个变量m，表示选取每种故障训练样本的个数

m=6; %每种类型选取前 m 组作为训练样本。 

train_values_1 =data_1(1:m,1:4);

% [train_values_1,settings1] = mapminmax(train_values_1);

train_labels_1=data_1(1:m,5);

train_values_2 =data_2(1:m,1:4);

% [train_values_2,settings2] = mapminmax(train_values_2);

train_labels_2=data_2(1:m,5);

train_values_3 =data_3(1:m,1:4);

% [train_values_3,settings3] = mapminmax(train_values_3);

train_labels_3=data_3(1:m,5);

train_values_4 =data_4(1:m,1:4);

train_labels_4=data_4(1:m,5);

train_values=[train_values_1;train_values_2;train_values_3;train_values_4];

train_labels=[train_labels_1;train_labels_2;train_labels_3;train_labels_4];

%%测试样本

test_values_1 =data_1(m+1:end,1:4);

test_labels_1=data_1(m+1:end,5);

test_values_2 =data_2(m+1:end,1:4);

test_labels_2=data_2(m+1:end,5);

test_values_3 =data_3(m+1:end,1:4);

test_labels_3=data_3(m+1:end,5);

test_values_4 =data_4(m+1:end,1:4);

test_labels_4=data_4(m+1:end,5);

test_values=[test_values_1;test_values_2;test_values_3;test_values_4];

test_labels=[test_labels_1;test_labels_2;test_labels_3;test_labels_4];

tic; %计时开始

%% SVM网络训练

%%参数寻优

[bestacc,bestc,bestg] = SVMcgForClass(train_labels,train_values);  %%这里是寻找最优的惩罚系数和核参数

disp(['bestmse=',num2str(bestacc)]);

disp(['bestc=',num2str(bestc)]);  %惩罚系数

disp(['bestg=',num2str(bestg)]);  %核参数

cmd = ['-c ',num2str(bestc),' -g ',num2str(bestg)];   

%% 训练并对训练集分类

model = svmtrain(train_labels,train_values,cmd);

%% SVM测试样本分类

[predict_label,accuracy] = svmpredict(test_labels,test_values,model);

% 打印测试集分类准确率

total = length(test_labels); %% the number of label 

right = sum(predict_label == test_labels); %% find the accurate number of labels;如果预测的标签和给定的标签是一致的，那么right计数加和；

disp('打印测试集分类准确率');

str = sprintf( 'Accuracy = %g%% (%d/%d)',accuracy(1),right,total);

disp(str);

disp(['bestc=',num2str(bestc)]);  %惩罚系数

disp(['bestg=',num2str(bestg)]);  %核参数

%% 结果分析

% 测试集的实际分类和预测分类图

figure;

hold on;

plot(test_labels,'o');

plot(predict_label,'r*');

xlabel('测试集样本','FontSize',12);

ylabel('类别标签','FontSize',12);

legend('实际测试集分类','预测测试集分类');

title('基于SVM模型的测试集的实际分类和预测分类图','FontSize',12);

grid on;

toc; %计时结束

​3 仿真结果

4 参考文献

[1]王琳, 解婷婷. 基于支持向量机算法的数据分类验证研究[J]. 四川文理学院学报, 2016, 026(005):21-24.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。

---

前言

 看到目前博客上的支持向量机的matlab代码都是从底层原理开始编起，这对单纯想使用支持向量机实现一个简单的分类的人来说十分不友好，其实matlab内已有封装好的支持向量机代码，本文简单记录一下如何使用。

---

一、支持向量机是什么？

 对于一个二分类任务来说，支持向量机的目的是寻找一个最优超平面，使得样本在超平面的两侧，在边界（图中虚线）上的样本被叫做支持向量。

 那么要想实现一个分类任务，支持向量机的输入和输出分别是什么呢？作为一种监督学习的算法，每个样本肯定要有标签，也就是该样本到底是哪一类；要进行分类，那每个样本都要有自己的特征，当然这个特征可以有很多个，所以SVM的输入是特征矩阵以及类标签。

二、步骤

1.构建特征矩阵和类标签

这里以matlab中的鸢尾花数据集为例进行说明，load fisheriris导入鸢尾花数据集，导入的变量有meas和species两个，其中meas是150*4的矩阵，表示有150个样本，每个样本有4个特征；species是一个元胞数组，存放的是鸢尾花的类型，有’setosa’，'versicolor’和’virginica’三类鸢尾花， 由于本文实现二分类，故把第三类virginica删除。

load fisheriris  %加载鸢尾花数据集
meas(101:150,:)=[];  %删除virginica类
species(101:150,:)=[];

2.使用fitcsvm函数训练svm

上一步中已经构造好了样本的特征矩阵和样本的标签，使用fitcsvm函数可以训练支持向量机模型。

SVMModel = fitcsvm(meas,species)

下图是训练好的支持向量机

3.使用predict函数验证svm

使用predict函数可以检验svm的准确性，选择90%的样本用于训练，10%的样本用于测试。

CVSVMModel = fitcsvm(meas,species,'Holdout',0.1); %随机选择10%的样本用于测试
CompactSVMModel = CVSVMModel.Trained{1}; 
testInds = test(CVSVMModel.Partition);   % 提取那10%用于测试的部分的下标
dataTest = meas(testInds,:);   % 提取那10%用于测试的部分的数据集
labelTest = species(testInds,:); % 提取那10%用于测试的部分的标签
label_predict = predict(CompactSVMModel,dataTest); 

label_predict中存放的便是预测结果，可以与labelTest进行比较，检验预测结果的正确性。
可以用表格的方式进行可视化

table(labelTest,label_predict,score(:,2),'VariableNames',...
    {'TrueLabel','PredictedLabel','Score'})

结果如下：

可以看到，对于测试集的所有样本，分类均是正确的。

4.完整代码

clc
clear
load fisheriris
meas(101:150,:)=[];
species(101:150,:)=[];
CVSVMModel = fitcsvm(meas,species,'Holdout',0.1); %随机选择10%的样本用于测试
CompactSVMModel = CVSVMModel.Trained{1}; 
testInds = test(CVSVMModel.Partition);   % 提取那10%用于测试的部分的下标
dataTest = meas(testInds,:);   % 提取那10%用于测试的部分的数据集
labelTest = species(testInds,:); % 提取那10%用于测试的部分的标签
label_predict = predict(CompactSVMModel,dataTest); 
table(labelTest,label_predict,'VariableNames',...
    {'TrueLabel','PredictedLabel'})

总结

本文利用matlab自带的函数实现了一个简单的SVM二分类问题，更多内容，可以在命令行中输入doc svm，打开帮助文档进行学习。