模式识别（3）-SVM分类算法

原创于 2017-10-25 22:13:26 发布 · 2.4k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#模式识别 #svm #算法

机器学习专栏收录该内容

20 篇文章

订阅专栏

本文介绍了支持矢量机(SVM)的基本原理及应用。SVM是一种用于分类和回归分析的监督学习模型，通过寻找最佳超平面来实现数据的最大间隔分类。文章还提供了SVM的Matlab训练代码实例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

3.1.SVM算法原理和分析
SVM（Support Vector Machines），中文名字叫做支持矢量机。SVM也是寻找一个超平面，使得训练集中的点距离分类面尽可能的远，就是让这个分类面两侧放入空白区域最大。
支持矢量就是距离分类平面最近的一些样本点，对决策面的选取有决策作用。

这里写图片描述

SVM训练代码：

clear all
close all
N1=440;
for i=1:N1
x1(1,i)=-1.7+1.1*randn(1);
% 440 Samples normal distribution
x1(2,i)= 1.6+0.9*randn(1);
%
x1(3,i)= 1;
end;
N2=400;
for i=1:N2
x2(1,i)= 1.3+1.0*randn(1);
% 400 Samples normal distriburion
x2(2,i)=-1.5+0.8*randn(1);
%
x2(3,i)= 1;
end;
plot(x1(1,:),x1(2,:),'ro',x2(1,:),x2(2,:),'g*');
hold on;
y1 = ones(440,1);
y2 = -ones(400,1);
12train =
[x1';x2'];%将两组数据合为一组
group = [y1;y2];
test =[x1';x2'];
svmModel =
svmtrain(train,group,'kernel_function','linear','showplot',true);%SVM 训练数据模型
classification=svmclassify(svmModel,test,'Showplot',true); %用测试数据测
试,画出决策面。