初步体验libsvm用法3(matlab实例)

我就是我 2022-03-29 15:02 284阅读 0赞

本次所讲的是libsvm在matlab中的2个应用实例，是本学期模式识别的2个编程作业题。

**一、****16****棋盘格数据分类**

**试验目的：**产生16棋盘的训练数据，用svm训练出一个模型，然后对新来的样本进行分类预测。

**试验说明：**

1.  训练数据样本数为1600个，即每个格子中随机产生100个数据点，分为2类，2种颜色分布在16个格子中，相交分布。测试数据样本点数为320个，即每个格子中的数据点为20个。
2.  如果分类预测正确，则用绿色画出，预测错误，则用红色画出。

**实验结果：**

产生的训练样本分布图如下所示：

![2012060416394236.png][]

训练样本分布图如下：

![2012060911353598.png][]

预测结果如下(如果分类正确用绿色显示，否则用红色显示)：

![2012060911355396.png][]

**实验结果评价指标：**

最后的预测准确度，MSE等指标如下所示：

![2012060911360822.png][]

**实验源码即注释：**

%% 随机产生16棋盘格数据点作为训练样本，每个数据格100个样本
    %%样本数据放在checkerboard_16数组中
    train_num=100;
    num=0;
    for i=1:4
        for j=1:4
            num=num+1;
            yellowflag=mod(num+i,2);%d当redflag=1时，产生样本点用红色表示，否则用绿色表示，主要这里是num+i对2取模
            x=randi([100*(i-1) 100*i],train_num,1);  %产生100个横坐标
            y=randi([100*(j-1) 100*j],train_num,1);  %产生100个列坐标
            if yellowflag
                z=randi([1 1],train_num,1);
            else
                z=randi([0 0],train_num,1);
            end
            checkerboard_16b(:,:,num)=[x y z];
            if num==1
                checkerboard_16=checkerboard_16b(:,:,num);
            elseif(num>1)
                checkerboard_16=[checkerboard_16;checkerboard_16b(:,:,num)];%递归调用时一定要小心
            end
        end
    end
    
    %% 画出产生的16棋盘样本训练数据分布示意图
    for k=1:1600
        if checkerboard_16(k,3)==1
            plot(checkerboard_16(k,2),checkerboard_16(k,1),'yo');
        else 
            plot(checkerboard_16(k,2),checkerboard_16(k,1),'go');
        end
        hold on %每次画完后要hold on，当然也可以使plot的2个参数为向量
    end
    title('训练数据分布');
    axis([-10 420 -20 420]);
            
    
    %% 用svm训练分类模型
    checkerboard_16_label=checkerboard_16(:,end);%取出样本类标签
    checkerboard_16_data=checkerboard_16(:,1:end-1);%取出样本属性
    model=svmtrain(checkerboard_16_label,checkerboard_16_data)
    
    
    %% 随机产生16棋盘格数据点作为训练样本，每个数据格100个样本
    %%样本数据放在checkerboard_16_test数组中
    train_num=20;
    num=0;
    for i=1:4
        for j=1:4
            num=num+1;
            redflag=mod(num+i,2);%d当redflag=1时，产生样本点用红色表示，否则用绿色表示
            x=randi([100*(i-1) 100*i],train_num,1);  %产生100个横坐标
            y=randi([100*(j-1) 100*j],train_num,1);  %产生100个列坐标
            if redflag
                z=randi([1 1],train_num,1);
            else
                z=randi([0 0],train_num,1);
            end
            checkerboard_16_test_b(:,:,num)=[x y z];
            if num==1
                checkerboard_16_test=checkerboard_16_test_b(:,:,num);
            elseif(num>1)
                checkerboard_16_test=[checkerboard_16_test;checkerboard_16_test_b(:,:,num)];%递归调用时一定要小心
            end
        end
    end
    
    
    %% 画出%% 画出产生的16棋盘样本测试数据分布示意图
    figure;
    for k=1:320
        if checkerboard_16_test(k,3)==1
            plot(checkerboard_16_test(k,2),checkerboard_16_test(k,1),'yo');
        else 
            plot(checkerboard_16_test(k,2),checkerboard_16_test(k,1),'go');
        end
        hold on %每次画完后要hold on，当然也可以使plot的2个参数为向量
    end
    title('测试原数据分布');
    axis([-10 420 -20 420]);
    
    
    %% 用svm进行预测
    checkerboard_16_test_label=checkerboard_16_test(:,end);
    checkerboard_16_test_data=checkerboard_16_test(:,1:end-1);
    [checkerboard_16_predict_label,checkerboard_16_accuarcy]=svmpredict(checkerboard_16_test_label,checkerboard_16_test_data,model)
    
    
    %% 画出预测数据样本点的分布,并将预测错误的点用红色标记出来,正确预测的用绿色标记出来
    figure;
    for k=1:320
        if checkerboard_16_predict_label(k)==1 && checkerboard_16_test_label(k)==1 
            plot(checkerboard_16_test(k,2),checkerboard_16_test(k,1),'go');
        elseif checkerboard_16_predict_label(k)==0 && checkerboard_16_test_label(k)==0 
            plot(checkerboard_16_test(k,2),checkerboard_16_test(k,1),'go');
        else 
            plot(checkerboard_16_test(k,2),checkerboard_16_test(k,1),'ro');
        end
        hold on %每次画完后要hold on，当然也可以使plot的2个参数为向量
    end
    title('分类预测数据分布');
    axis([-10 420 -20 420]);

**实验总结：**

由实验结果可知，预测准确度才65.9375%，比较低。原因是svm在训练的过程中采用的是默认参数，实际上我们应该对这些参数进行寻有，或者采用暴力查找。

**二、****UCI****中****iris****数据分类**

**实验数据：**

本次试验数据来源于[http://archive.ics.uci.edu/ml/][http_archive.ics.uci.edu_ml] 中的risi数据，其数据类别分为3类，setosa，versicolor，virginica.每类植物有50个样本，共150个。每个样本有4个属性，分别为花萼长，花萼宽，花瓣长，花瓣宽。

数据格式如下所示:

![2012060416420796.png][]

**试验目的：**用样本中的数据训练处的模型对新来的样本进行分类。

**试验步骤：**

1.  把数据分为2部分，训练数据每类40个，测试数据每类10个。
2.  用svm对训练数据进行学习。
3.  用学习到的模型对预测数据进行分类。

**实验代码：**

1 load iris_new.data
    2 iris_train_label=iris_new([1:40 51:90 101:140],end);%每类取40个数据作为训练，共120个训练数据
    3 iris_train_data=iris_new([1:40 51:90 101:140],1:end-1);
    4 iris_test_label=iris_new([41:50 91:100 141:150],end);%每类取10个数据作为测试，共30个测试数据
    5 iris_test_data=iris_new([41:50 91:100 141:150],1:end-1);
    6 save irisdata;
    7 model=svmtrain(iris_train_label,iris_train_data);
    8 [iris_predict_label,iris_accuracy]=svmpredict(iris_test_label,iris_test_data,model)

**实验结果：**

![2012060416432430.png][]

可见分类准确度为100%。

**实验总结：**通过本次试验，初步学会了libsvm在matlab中的应用。

大家有更好的解法欢迎提出并交流。

[2012060416394236.png]: /images/20220329/affe0cca51b34e0e86759fd60e04a555.png
[2012060911353598.png]: /images/20220329/fac6edec0ef346a8bd1894c6a902610c.png
[2012060911355396.png]: /images/20220329/c5d62e2a22af4138a7717bccbcca476d.png
[2012060911360822.png]: /images/20220329/d968bf717d3d42ad9c728118c7fbaf7f.png
[http_archive.ics.uci.edu_ml]: http://archive.ics.uci.edu/ml/
[2012060416420796.png]: /images/20220329/116d26529c6f4aa084da91689af205ce.png
[2012060416432430.png]: /images/20220329/1435ace803334b53998c8c10c2a4823a.png