SVM(Support Vector Machine).zip

%目的: 使用支持向量机算法 求解围栏问题 %围栏问题的描述见 围栏问题.jpg 或 http://www.cnblogs.com/end/p/3848740.html clc; clear; close all; %Step1=指定SVM的参数 C = 10;%错分样本的惩罚程度 kernelType = 'RBF';%核函数的类型 这里使用径向基函数RBF delta = 5;%RBF中的参数 %绘图的参数 line_width=2; point_width=15; minX=-1; maxX=7; minY=-1; maxY=8; %Step2=初始化围栏问题 %羊 x_cows = [2,5 ; 3,2 ; 3,3 ; 3,4 ; 4,1 ; 4,2 ; 4,4; 5,2 ; 5,4];%羊的坐标 每行=一头羊的x和y rowNum = size(x_cows, 1); y_cows = ones(rowNum, 1);%列向量 羊的分类记为1 %狼 x_wolves = [0,0 ; 0,2 ; 1,1 ; 2,0 ; 2,7; 4,0 ; 6,3 ; 6,4];%狼的坐标 每行=一头狼的x和y rowNum = size(x_wolves, 1); y_wolves = -ones(rowNum, 1);%列向量 狼的分类记为-1 %绘出羊和狼的分布情况 figure; hold on; plot(x_cows(:,1), x_cows(:,2), 'k.', 'MarkerSize', point_width); plot(x_wolves(:,1), x_wolves(:,2), 'rx', 'MarkerSize', point_width); axis( [minX maxX minY maxY] ); %Step3=使用SVM解决围栏问题 %1) 准备SVM模型的输入数据(即训练样本) % X=[x1,x2] % Y=[y] X = [x_cows', x_wolves'];%dim*n矩阵 n为样本个数 dim为X的维数(围栏问题dim=2) Y = [y_cows', y_wolves'];%1*n矩阵 n为样本个数 值为+1或-1 %2) SVM训练 获得支持向量 supportVector = SVMTrain(X, Y, kernelType, C, delta); %起支持作用的向量(支持向量) 用红圈标注 plot(supportVector.X(1,:), supportVector.X(2,:), 'ro', 'MarkerSize', point_width); %3) SVM测试整个平面 [x1, x2] = meshgrid(minX:0.05:maxX, minY:0.05:maxY);%网格采样点 [rows, cols] = size(x1); length = rows*cols; Xtest = [reshape(x1,1,length); reshape(x2,1,length)];%每个采样点 转化为 一个列向量=dim*nn Ytest = SVMTest(supportVector, Xtest, kernelType, delta);%1*nn 对应采样点的分类结果 %等高线绘制(该等高线即为围栏) Ygrid = reshape(Ytest, rows, cols); contour(x1, x2, Ygrid, 'm');%等高线