【SVM分类】基于孪生支持向量机实现数据分类（TWSVM）含Matlab源码.zip

% 线性孪生支持向量机二类分类算法 close all clear clc %--------------导入数据-------------------% load N_p % 正类点数据，特征信息存放在行里面 load N_n % 负类点数据，特征信息存放在行里面 %-----------------------------------------% %% 第一步：数据预处理 %-------- 由原来的数据产生80%的训练数据和20%的预测数据------------% n_p=size(N_p,1); % 正类样本个数 n_n=size(N_n,1); % 负类样本个数 n1=randperm(n_p); % 对1到n的n个正整数进行随机不重复的排列，形成一个1行n列的矩阵 n2=randperm(n_n); f_p=floor(4*n_p/5); % 取80%的数据作为训练集，其余20%作为预测集 f_n=floor(4*n_n/5); data_train_p=N_p(n1(1:f_p),:); % 正类训练数据 data_train_n=N_n(n2(1:f_n),:); % 负类训练数据 data_train=[data_train_p;data_train_n]; % 训练数据集（含正负类） Y_train=[ones(f_p,1);-ones(f_n,1)]; % 训练数据标签集 data_predict_p=N_p(n1(f_p+1:end),:); % 正类预测数据 data_predict_n=N_n(n2(f_n+1:end),:); % 负类预测数据 data_predict=[data_predict_p;data_predict_n]; % 预测数据集（含正负类） Y_predict=[ones(n_p-f_p,1);-ones(n_n-f_n,1)]; % 预测数据标签集 %----------------------------------------------------------------% %----------相关参数初始化----------% c1min=-2; c1max=2; %孪生支持向量机参数 c2min=-2; c2max=2; best_c1=0; best_c2=0; aac=rand(10,1); bestAccuracy=0; %--------------------------------% %% 第二步：数据训练寻找最优参数c1,c2 % 将c1和c2划分网格进行搜索 indices = crossvalind('Kfold',Y_train,10); tic; for c1=2^(c1min):1:2^(c1max) for c2=2^(c2min):1:2^(c2max) %采用K-CV方法,将data大致平均分为K组 for run= 1:10 test=(indices == run); train=~test; train_data=data_train(train,:); % 训练数据集（含正类负类点集） train_data_label=Y_train(train,:); % 训练集标签（含正类负类点集） test_data=data_train(test,:); % 预测数据集（含正类负类点集） test_data_label=Y_train(test,:); % 预测集标签（含正类负类点集） groupA=ismember(train_data_label,1); % 分出正类点的位置 groupB=ismember(train_data_label,-1); % 分出负类点的位置 A=train_data(groupA,:); % 正类训练数据 B=train_data(groupB,:); % 负类训练数据 %训练数据 [v1,v2]=twinsvm_lin_train(A,B,c1,c2); %用训练所得孪生分类器进行分类 [accuracy]=twinsvm_lin_predict(v1,v2,test_data,test_data_label); %下面用验证集进行验证,并记录此时的准确率 acc(run)=accuracy; end cv=sum(aac)/10; if (cv>bestAccuracy) bestAccuracy=cv; best_c1=c1; best_c2=c2; end end end disp('准确率及最优参数'); str = sprintf( 'Best Cross Validation Accuracy = %g%% ;Best c1 = %g ; Best c2 = %g;',bestAccuracy*100,best_c1,best_c2); disp(str); t_train=toc %---------------------------------------------------------------------% %% 第三步：通过最优参数，对80%的数据训练，产生分类面，利用20%的预测数据进行准确率计算 k=0; c1=best_c1; c2=best_c2; tic; [v1,v2,IB,JA]=twinsvm_lin_train(data_train_p,data_train_n,c1,c2); [aac]=twinsvm_lin_predict(v1,v2,data_predict,Y_predict); t_predict=toc disp('预测准确率结果'); str = sprintf( 'Accuracy =%g%% ',aac*100); disp(str); %% 第四步：绘图 tic; % -------------绘制训练点----------------% plot(data_train_p(:,1),data_train_p(:,2),'c+',data_train_n(:,1),data_train_n(:,2),'mx'); title('线性孪生支持向量机') hold on grid on % ------------绘制预测点-----------------% plot(data_predict_p(1,:),data_predict_p(2,:),'g>',data_predict_n(1,:),data_predict_n(2,:),'r<'); % -----------绘制支持向量----------------% plot(data_train_n(IB,1),data_train_n(IB,2),'ko',data_train_p(JA,1),data_train_p(JA,2),'ko'); %?????? % ---------绘制分类面的图像--------------% plotpc(v1(1:2,:)',v1(3)) plotpc(v2(1:2,:)',v2(3)) legend('正类训练点','负类训练点','正类预测点','负类预测点','支持向量'); t_picture=toc hold off