svmTrain.zip_SVM 多分类_SVM分类matlab_svm多分类 matlab_vsr_多分类SVM

function svm = svmTrain(X,Y,kertype,C) %X是训练数据，Y是训练标签 Ymax = max(Y); Ymin = min(Y); Lmin = Y==Ymin; Y(Lmin) = -1; Lmax = Y== Ymax; Y(Lmax) = 1; options = optimset; % Options是用来控制算法的选项参数的向量 options.LargeScale = 'off';%LargeScale指大规模搜索，off表示在规模搜索模式关闭 options.Display = 'off';%这样设置意味着没有输出 n = length(Y);%数组Y的长度 H = (Y'*Y).*kernel(X,X,kertype);%调用kernel函数 f = -ones(n,1); %f为1*n个-1,f相当于Quadprog函数中的c A = []; b = []; Aeq = Y; %相当于Quadprog函数中的A1,b1 beq = 0; %对应Aeq*a=beq,即aY=0; % beq = zeros(n,1); %对应Aeq*a=beq,即aY=0; lb = zeros(n,1); %相当于Quadprog函数中的LB，UB ub = C*ones(n,1); %对应lb<=a<=ub，即0<=a<=C; a0 = zeros(n,1); % a0是解的初始近似值，有n个样本对应n个a; %二次规划 [a,fval,eXitflag,output,lambda] = quadprog(H,f,A,b,Aeq,beq,lb,ub,a0,options); %接下来寻找支持向量，因为非支持向量对应的a等于0，所以要寻找a非零的样本。 epsilon = 1e-8; sv_label = find(abs(a)>epsilon); %0<a<a(max)则认为x为支持向量 svm.a = a(sv_label); svm.Xsv = X(:,sv_label); %支持向量 svm.Ysv = Y(sv_label); svm.svnum = length(sv_label); svm.max = Ymax; svm.min = Ymin; %svm.label = sv_label;