matlab分类识别算法（matlab分类代码）

wine.mat

原始数据

在SVM程序算法中做分类可视化

目前可以选取两个

输入特征

且为做二分类的

问题

才能可视化

例如选取标签为

1、2

的前两列特征作为

输入特征

%%
clc
clear all
load('C:\Users\Administrator\Desktop\wine1.mat')
data1 = wine(1:59,:);
data2 = wine(60:130,:);
%选择两维进行分类可视化
p = 2;
q = p+1;
%合并样本数据
data0=[data1;data2];
train_data=data0(:,p:q);
train_label=data0(:,1);

%原始样本分布图灰度均值与灰度方差
figure('NumberTitle', 'on', 'Name','灰度均值与灰度方差');
hold on;
grid on;
plot(data1(:,p),data1(:,q),'*'),
plot(data2(:,p),data2(:,q),'+'),
title('训练样本数据');

原始数据散点图

分布可视化

在SVM中

径向基核函数宽度

以及惩罚因子

需要迭代寻优

可采用交叉验证的方式

找到一个较优的组合

%交叉验证部分代码略去
%cmd中参量为待优化选取参量
cmd = ['-c ',num2str( bestc ),' -g ',num2str( bestg )];
model=libsvmtrain(train_label,train_data,cmd); %径向基函数
test_label=train_label;
test_data=train_data;
[predict_label,accuracy,dec_values] = svmpredict(test_label,test_data, model);

训练和预测结束以后

对结果进行可视化呈现

程序设计

%%
demension1 = 1;
demension2 = 2;
minX = min(test_data(:, demension1));
maxX = max(test_data(:, demension1));
minY = min(test_data(:, demension2));
maxY = max(test_data(:, demension2));

gridX = (maxX - minX) ./ 100;
gridY = (maxY - minY) ./ 100;

minX = minX - 10 * gridX;
maxX = maxX + 10 * gridX;
minY = minY - 10 * gridY;
maxY = maxY + 10 * gridY;
[denseX, denseY] = meshgrid(minX:gridX:maxX, minY:gridY:maxY);

%%
model.Parameters(1) = 3; 
[m,n]=size(denseX);
dense_data=[reshape(denseX,m*n, 1), reshape(denseY,m*n,1)];
dense_label = ones(m*n,1);
%密集点分类
model.Parameters(1) = 3;
[lab] =svmpredict(dense_label,dense_data, model);
dense_pre_lab = reshape(lab, m,n);

%%
%画分类后的点及SV
figure('NumberTitle', 'on', 'Name','分类结果可视化');
hold on;
grid on;
m=length(predict_label);
for i=1:m
    if (predict_label(i)==1) %标签为1
    a= plot(test_data(i, 1), test_data(i, 2), 'r+');    
    end
    if (predict_label(i)==2) %标签为2
      b= plot(test_data(i, 1), test_data(i, 2), 'k*');  
    end
end
c= plot( model.SVs(:,1),model.SVs(:,2),'o' );  %支持向量
legend([a,b,c],'class1','class2','Support Vectors');

[C,h] = contour(denseX, denseY, dense_pre_lab,-1:1);
clabel(C,h,'Color','r'); %类似等温曲线图
%曲线参数调整
xlabel('灰度均值','FontSize',12);
ylabel('灰度方差','FontSize',12);
title('The visualization of classification','FontSize',12);

执行程序代码

输出可视化图像

分类准率在

95%以上

值得思考的问题是

有支持向量

并未在曲线上

显示PSO算法优化后

准确率随迭代寻优

的变化情况

历经20次迭代寻优

结果达到最优

记录此时返回优化参数即可

同理

可以查看其它特征输入下

可视化情况

THE

END