支持向量机初步学习

load dataset.mat;
load labelset.mat;
train_set=[dataset(1:5;:);dataset(11:15;:)];
train_set_labels=[labelsetl(1:5;:);labelset(11:15;:)];
test_set=[dataset(1:5;:);dataset(11:15;:)];
test-set_labels=[labelsetl(1:5;:);labelset(11:15;:)];
(mtrain,ntrain)=size(train_set);
(mtest,ntest)=size(test_set);
test_dataset=[train_set,test_set];
[dataset_scale,ps]=mapminmax(dataset',0,1);
dataset_scsale=dataset_scale';
train_set=dataset_scale(1:mtrain,:);
test_set=datascale((mtrain+1):(mtrain+mtest));
model=svmtrain(train_set_labels,train_set,'-c 1 -g 0.07');
[predict_label] = svmpredict(test_set_labels, test_set, model);
figure;
hold on;
plot(test_set_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;
 

1) 试验流程：

Step1: 根据给定的数据，选定训练集和测试集；

Step2: 为训练集与测试集选定标签集；

Step3: 利用训练集进行训练分类器得到model；

Step4: 根据model，对测试集进行测试集得到accuracy rate；

(2) 实验数据准备：

“bedroom.mat”10*15的矩阵，分别代表了不同的十张有关于bedroom的图片的15维属性；

“forest.mat”10*15矩阵，分别代表了不同的十张有关于forest的图片的15维属性特征；

训练集：trainset(); 分别取bedroom(1:5,:)和forse(1:5,:)作为训练集；

测试集：testset();  分别取bedroom(6:10,:)和forse(6:10,:)作为测试集；

标签集：label(); 取bedroom的数据为正类标签为1；forse的数据为负类标签为-1.

找不到数据集，不知道能不能用同一个数据集分成两个样本。就是带有20个数据的数。由于没有样本，程序也没运行