Question

我是 Matlab 的新手。是否有任何示例代码用于使用 SVM 对某些数据（具有41个功能）进行分类，然后可视化结果？我想使用 SVM 方法对数据集（有五个类）进行分类。我阅读了“A Practical Guide to Support Vector Classication”文章，并看到了一些例子。我的数据集是 kdd99 。我写了以下代码：

%% Load Data
[data,colNames] = xlsread('TarainingDataset.xls');
groups = ismember(colNames(:,42),'normal.'); 
TrainInputs = data;
TrainTargets = groups;
%% Design SVM
C = 100;
svmstruct = svmtrain(TrainInputs,TrainTargets,...
    'boxconstraint',C,...
    'kernel_function','rbf',...
    'rbf_sigma',0.5,...
    'showplot','false');
%% Test SVM
[dataTset,colNamesTest] = xlsread('TestDataset.xls');
TestInputs = dataTset;
groups = ismember(colNamesTest(:,42),'normal.'); 
TestOutputs = svmclassify(svmstruct,TestInputs,'showplot','false');

但我不知道如何获得我的分类的准确性或 mse ，我在showplot中使用了svmclassify但是什么时候true，我收到这个警告：

The display option can only plot 2D training data

有人可以帮助我吗？

Answer 1

我建议你使用另一个SVM工具箱libsvm。链接如下： http://www.csie.ntu.edu.tw/~cjlin/libsvm/

将其添加到matlab的路径后，您可以训练并使用您的模型：

model=svmtrain(train_label,train_feature,'-c 1 -g 0.07 -h 0'); 
% the parameters can be modified
[label, accuracy, probablity]=svmpredict(test_label,test_feaure,model);

train_label必须是一个向量，如果有两种以上的输入（0/1），它将自动成为一个nSVM。

train_feature是n个样本的n * L矩阵。在使用之前，您最好预处理该功能。在测试部分，它们应该以相同的方式进行预处理。

测试完成后，您将看到所需的准确度，但仅适用于整个数据集。

如果您需要单独使用正面和负面样本的准确度，您仍应使用预测标签自行计算。

希望这会对你有帮助！

Answer 2

您的要素空间有41个维度，绘制更多的3个维度是不可能的。为了更好地理解您的数据，SVM的工作方式是从线性SVM开始。 SVM的这种格式是可解释的，这意味着您的41个特征中的每个特征在训练后都具有与之关联的权重（或“重要性”）。然后，您可以使用plot3（）将数据与线性svm中的3个“最佳”特征相对应。请注意您的数据与这些功能的分离程度，并相应地选择基本功能和其他参数。

如何在Matlab中使用SVM？

2 个答案: