多元分类SVM（多类别SVM）程序使用说明

悠悠 2022-09-25 11:27 208阅读 0赞

**目录**

*  操作流程
 *  程序的数据格式
 *  matlab程序

# 操作流程 #

首先，在这个网站上下载libsvm程序包[http://download.csdn.net/detail/qy20115549/9608108][http_download.csdn.net_detail_qy20115549_9608108]。下载之后，将其放到某一目录下，点击菜单栏中的设置路径（set path）。将该文件夹添加到path中，这样其他文件夹，便可直接调用了。

# 程序的数据格式 #

如下程序中，测试集为testData，其中包含test test\_labels两组数据。test是用excel导入的数据，导入格式成矩阵，存放的是多维自变量(X)，test\_labels导入的是列矢量，存放自变量对应的标签类别（Y），注意类别必须用1，2，3等数字表示。  
同理，训练集trainData我就不介绍了。

# matlab程序 #

%保存训练集测试集
    save testData test test_labels;
    save trainData train train_labels;
    %加载数据
    load testData;
    load trainData;
    %数值标准化转化到0-1区间
    [train,pstrain]=mapminmax(train');
    pstrain.ymin=0;
    pstrain.ymax=1;
    [train,pstrain]=mapminmax(train,pstrain);
    [test,pstest]=mapminmax(test');
    pstest.ymin=0;
    petest.ymax=1;
    [test,pstest]=mapminmax(test,pstest);
    train=train';
    test=test';
    %直接训练，不寻找最优，很快得到结果
    %%训练模型
    model = svmtrain(train_labels, train);
    %在测试集中检验模型的精度
    [predict_label,accuracy] = svmpredict(test_labels, test, model); 
    %对于分类问题网格参数优化（c，g），类别越多越慢。
    [bestacc,bestc,bestg] = SVMcgForClass(train_labels,train,-5,5,-5,5,7,0.5,0.5,4.5)%%交叉验证求c,g
    cmd=['-c ',num2str(bestc),' -g ',num2str(bestg)]        %%c,g均有空格
    %训练建模
    %model=svmtrain(train_labels,train,cmd);
    %% SVM网络预测
    %[ptest_label, test_accuracy] = svmpredict(test_labels, test, model);
    
    %对于分类问题利用PSO 来进行参数优化（c，g），一般类别比较多的情况下，很慢
    pso_option.c1 = 0.5;
    pso_option.c2 = 0.5;
    pso_option.maxgen = 200;
    pso_option.sizepop = 50;
    pso_option.k = 0.6;
    pso_option.wV = 1;
    pso_option.wP = 1;
    pso_option.v = 7;
    pso_option.popcmax =200;
    pso_option.popcmin = 0.1;
    pso_option.popgmax = 100;
    pso_option.popgmin = 0.001;
    %寻优的过程
    [bestacc1,bestc1,bestg1,pso_option] = psoSVMcgForClass(train_labels,train,pso_option)
    cmd1= ['-c ',num2str(bestc1),' -g ',num2str(bestg1)];
    model1 = svmtrain(train_labels, train,cmd1);
    % [train_label1,train_accuracy1]=svmpredict(train_labels, train, model1);
    %得到精度
    [ptest_label1, test_accuracy1] = svmpredict(test_labels, test, model1);

[http_download.csdn.net_detail_qy20115549_9608108]: http://download.csdn.net/detail/qy20115549/9608108