SVM多分类（matlab）

1.数据集：采用 matlab2016b 自带数据集：iris鸢尾花、ionosphere电离层数据

2.采用函数 fitcecoc 进行SVM二分类/多分类模型训练；

3.采用10折交叉验证，将Mdl转化为 CVMdl，减少泛化误差

4.将泛化误差ossLoss作为模型的评价指标

示例1：鸢尾花数据集iris

function [CVMdl,oosLoss]=SVM3()
load fisheriris
X = meas;        %150*4 ：150个样本，4个特征（萼长、萼宽、瓣长、瓣宽）；meas=measure（长度）
Y = species;     %三种属性{'setosa','versicolor','virginica'}；species（种类） t = templateSVM('Standardize',1); %创建SVM模板t %训练该模型 Mdl = fitcecoc(X,Y,'Learners',t,'ClassNames',{'setosa','versicolor','virginica'}); %验证该模型 CVMdl = crossval(Mdl); %将模型进行交叉验证，减少过拟合的影响 %显示结果 oosLoss = kfoldLoss(CVMdl) %10折交叉验证得到的泛化误差 oosloss =0.033，效果很好

结果如下：

>> [CVMdl,oosLoss]=SVM3()

CVMdl =

classreg.learning.partition.ClassificationPartitionedECOC
    CrossValidatedModel: 'ECOC'
         PredictorNames: {'x1' 'x2' 'x3' 'x4'}
           ResponseName: 'Y'
        NumObservations: 150
                  KFold: 10
              Partition: [1x1 cvpartition]
             ClassNames: {'setosa' 'versicolor' 'virginica'}
         ScoreTransform: 'none'

Properties, Methods

oosLoss =

0.0333333333333333

示例2：电离层数据二分类

% matlab自带电离层
load ionosphere;

%使用默认选项训练ECOC多类模型
model_2 = fitcecoc(X,Y);

%创建一个SVM模板
t_2 = templateSVM('Standardize',1); %接下来训练ECOC分类器 model_2 = fitcecoc(X,Y,'Learners',t_2); %使用10倍交叉验证交叉验证Mdl CVmodel_2 = crossval(model_2); %估算泛化误差 oosLoss_2 = kfoldLoss(CVmodel_2);

结果：

>> [CVmodel_2,oosLoss_2]=SVM31()

CVmodel_2 = 

  classreg.learning.partition.ClassificationPartitionedECOC
    CrossValidatedModel: 'ECOC' PredictorNames: {1x34 cell} ResponseName: 'Y' NumObservations: 351 KFold: 10 Partition: [1x1 cvpartition] ClassNames: {'b' 'g'} ScoreTransform: 'none' Properties, Methods oosLoss_2 = 0.113960113960115

参考资料：

1.官方文档：https://www.mathworks.com/help/stats/fitcecoc.html

2.代码参考：fitcecoc的其他数据集尝试： https://blog.csdn.net/kekeicon/article/details/72812097，作者：kekeicon

3.matlab自带数据集一览：https://ww2.mathworks.cn/help/stats/sample-data-sets.html

SVM多分类（matlab）

猜你喜欢