matlab-SVM(支持向量机篇)

标签：style   blog   io   ar   color   os   使用   sp   on   

可分离数据：SVM可以用于将已知数据分为两类，SVM分类器主要是找到两类之间最佳的超平面，将两类彻底分开，

1.   用已知数据去训练SVM分类器

SVMstruct =svmtrain(data,groups,‘Kernel_Function‘,‘rbf‘);

data ：数据点矩阵，每一行代表一个观测对象，每一列代表每一个观测对象提取的特征；

groups：

kernel_Function：默认为用超平面将数据线性分开.’rbf’用了高斯径向基函数；建议首先用‘rbf’尝试；

SVMstruct的结果结构体包含从SVM算法中获得的最佳参数值，因而可以用于将一些新的数据分开； 

2.将待测数据用SVM分类器分开：

newClasses=svmclassify(SVMstruct,newData)

newClasses 产生的结果代表了在新数据里面每一行的分类；

3.调整SVM分类器

Hsu，chang and Lin建议遵循如下的方案，调整分类器的参数：

1. 首先使用‘rbf’kernel 函数；

2. 尝试使用不同的参数进行训练，然后通过交叉检验验证得到的最合适的参数

3. 最重要的尝试改变的参数：

boxconstraint-尽量以等比数列的方式去调整约束参数值；

rbf-sigma-尽量以等比数列的方式去调整RBF的sigma约束参数值；

4. 不同的参数设置，通过交叉检验去检测结果，通过crossval

5. 当获得合理的初始化参数值时，你可能想要重新定义你的参数去火的更加好的准确率，以更加小的等比的公因子，去调整参数，最优化你的参数，通过fminsearch，

matlab-SVM(支持向量机篇)

标签：style   blog   io   ar   color   os   使用   sp   on   

原文地址：http://www.cnblogs.com/lwflourish/p/4121892.html