matlab智能算法——chapter28支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断.rar资源-CSDN文库

共2个文件

mat：1个

m：1个

版权申诉

matlab

54 浏览量 2024-10-10 08:21:23 上传评论收藏 9KB RAR 举报

资源推荐

资源详情

资源评论

收起资源包目录

matlab智能算法——chapter28 支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断.rar （2个子文件）

chapter28 支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断

BreastTissue_data.mat 7KB

main.m 3KB

%% 第28章支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断 % <html> % <table border="0" width="600px" id="table1"> <tr> <td>该案例作者申明：</td> </tr> <tr><td>1：本人长期驻扎在此<a target="_blank" href="http://www.matlabsky.com/forum-78-1.html">板块</a>里，对该案例提问，做到有问必答。</td></tr><tr> <td>2：此案例有配套的教学视频，视频下载请点击<a href="http://www.matlabsky.com/forum-91-1.html">http://www.matlabsky.com/forum-91-1.html</a>。 </td> </tr> <tr> <td> 3：此案例为原创案例，转载请注明出处（《MATLAB智能算法30个案例分析》）。</td> </tr> <tr> <td> 4：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。</td> </tr> <tr> <td> 5：以下内容为初稿，与实际发行的书籍内容略有出入，请以书籍中的内容为准。</td> </tr> </table> % </html> %% 清空环境变量 clear all clc %% 导入数据 load BreastTissue_data.mat % 随机产生训练集和测试集 n = randperm(size(matrix,1)); % 训练集——80个样本 train_matrix = matrix(n(1:80),:); train_label = label(n(1:80),:); % 测试集——26个样本 test_matrix = matrix(n(81:end),:); test_label = label(n(81:end),:); %% 数据归一化 [Train_matrix,PS] = mapminmax(train_matrix'); Train_matrix = Train_matrix'; Test_matrix = mapminmax('apply',test_matrix',PS); Test_matrix = Test_matrix'; %% SVM创建/训练(RBF核函数) % 寻找最佳c/g参数——交叉验证方法 [c,g] = meshgrid(-10:0.2:10,-10:0.2:10); [m,n] = size(c); cg = zeros(m,n); eps = 10^(-4); v = 5; bestc = 1; bestg = 0.1; bestacc = 0; for i = 1:m for j = 1:n cmd = ['-v ',num2str(v),' -t 2',' -c ',num2str(2^c(i,j)),' -g ',num2str(2^g(i,j))]; cg(i,j) = svmtrain(train_label,Train_matrix,cmd); if cg(i,j) > bestacc bestacc = cg(i,j); bestc = 2^c(i,j); bestg = 2^g(i,j); end if abs( cg(i,j)-bestacc )<=eps && bestc > 2^c(i,j) bestacc = cg(i,j); bestc = 2^c(i,j); bestg = 2^g(i,j); end end end cmd = [' -t 2',' -c ',num2str(bestc),' -g ',num2str(bestg)]; % 创建/训练SVM模型 model = svmtrain(train_label,Train_matrix,cmd); %% SVM仿真测试 [predict_label_1,accuracy_1] = svmpredict(train_label,Train_matrix,model); [predict_label_2,accuracy_2] = svmpredict(test_label,Test_matrix,model); result_1 = [train_label predict_label_1]; result_2 = [test_label predict_label_2]; %% 绘图 figure plot(1:length(test_label),test_label,'r-*') hold on plot(1:length(test_label),predict_label_2,'b:o') grid on legend('真实类别','预测类别') xlabel('测试集样本编号') ylabel('测试集样本类别') string = {'测试集SVM预测结果对比(RBF核函数)'; ['accuracy = ' num2str(accuracy_2(1)) '%']}; title(string) %% % <html> % <table width="656" align="left" > <tr><td align="center">相关论坛：Matlab技术论坛：<a href="http://www.matlabsky.com">www.matlabsky.com</a>Matlab函数百科：<a href="http://www.mfun.la">www.mfun.la</a></td> </tr></table> % </html>

评论收藏

内容反馈

版权申诉