当前位置：网站首页>【回归预测-lssvm分类】基于最小二乘支持向量机lssvm实现数据分类代码

【回归预测-lssvm分类】基于最小二乘支持向量机lssvm实现数据分类代码

2022-07-30 20:14:00 【matlab_dingdang】

1 内容介绍

在信息爆炸的新时代,由于全球科技与经济迅猛发展,数据充斥在各行各业,数据的结构也变得多样化.其中对于数据的分类最常见,伴随着数据分类的同时出现两大处理难点,一个是非均衡问题,另一个就是高维问题.但是传统的数据方法在进行数据挖掘时,低维平衡数据被重点关注,传统分类方法有线性判别分析,Logistic判别模型,支持向量机算法,K近邻算法,决策树算法,随机森林算法,神经网络学习,等.但是目前各个领域充斥着大量高维非均衡数据,而传统方法对非均衡数据分类问题的关注比较缺失.目前对于非均衡数据分类时,由于数量本身的严重偏斜,分类器整体的分类准确度良好恰恰归功于多数类样本的正确分类.

2 仿真代码

%基于SVM的iris数据辨识clear;clc;A=load('irisdata.txt');  %导入数据data = A(:,1:4);      %1—4列数据是鸢尾花的4个特征：花萼和花瓣的长度和宽度labels = A(:,5);        %最后一列是属性标签。1代表山鸢尾（iris-setosa），                       %2代表变色鸢尾（iris-versicolor），3代表维吉尼亚鸢尾（iris-virginica）%将第一类的1－20,第二类的51-70,第三类的101-120做为训练集train_iris=[data(1:20,:);data(51:70,:);data(101:120,:)];%相应的训练集的标签也要分离出来train_iris_labels = [labels(1:20);labels(51:70);labels(101:120)];%将第一类的21－50,第二类的71-100,第三类的121-150做为测试集test_iris=[data(21:50,:);data(71:100,:);data(121:150,:)];%相应的测试集的标签也要分离出来test_iris_labels = [labels(21:50);labels(71:100);labels(121:150)];%数据预处理  将训练集和测试集进行归一化处理  归一化到[0,1]区间[mtrain,ntrain] = size(train_iris);[mtest,ntest] = size(test_iris);dataset = [train_iris;test_iris];% mapminmax为MATLAB自带的归一化函数                       [dataset_scale,ps] = mapminmax(dataset',0,1)dataset_scale = dataset_scale';train_iris = dataset_scale(1:mtrain,:);test_iris = dataset_scale( (mtrain+1):(mtrain+mtest),: );% SVM网络训练model = svmtrain(train_iris_labels, train_iris, '-c 2 -g 1');%% SVM网络预测[predict_label,accuracy] = svmpredict(test_iris_labels,test_iris,model);figure;hold on;plot(test_iris_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('测试集的实际分类和预测分类图','FontSize',12);grid on;snapnow;