SVM的matlab代码及SVM的多分类的作法

SVM是常用的一种有监督的学习模型（即给你一些输入特征，告诉你这些特征的样本是属于A类，再给你一些输入特征，告诉你这些特征的样本是属于B类，现在再来一些数据，来判断它们是属于哪一类）。

它与Kmeans的区别在于kmenas是无监督的学习模型，即kmeans不需要提前知道（训练），只要你把特征给我，我根据特征分就完事了.

它与Knn的区别在于knn来一个就算一次(和集合内的其余点进行比较)，而SVM相当于一开始先把前期工作做好了（训练好），然后来一个我就根据带到训练的结果中一代就完事，

所以knn如果数据量太大或者维度太高就gg，因为我要与其数据集内比较（就算一些优化策略比较次数还是很多），而SVM有一种一劳永逸的感觉

线性SVM的一般流程：

1,数据标准化处理(减去平均值./标准差)

2,划出一个平面分割出所有的特征（也就是转化为规划模型求解）

3,训练结束后将待预测数据带入.

下面为一份训练集

我想根据资产折现力和盈利能力，活性来划分两个类别。

编号	资产折现力	盈利能力	活性	类别
1	0.9	0.34	1.53	1
2	0.88	0.23	1.67	1
3	0.92	0.28	1.43	1
4	0.89	0.14	1.24	1
5	0.78	0.35	1.8	1
6	0.81	0.26	2.01	1
7	0.72	0.18	1.75	1
8	0.93	0.22	0.99	1
9	0.82	0.26	1.4	1
10	0.78	0.26	1.34	-1
11	0.78	0.27	1.67	-1
12	0.72	0.18	1.53	-1
13	0.69	0.16	1.2	-1
14	0.63	0.15	0.88	-1
15	0.58	0.22	1.42	-1
16	0.81	0.18	1.59	-1
17	0.67	0.21	1.21	-1
18	0.65	0.16	1.37	-1

将数据存为SVM.xls,代码如下:

clc;
clear all;
X0=xlsread('SVM.xls','B2:E19');
for i=1:3%%%训练样本的输入数据
   X(:,i)=(X0(:,i)-mean(X0(:,i)))/std(X0(:,i));%%%标准化处理
end
[m,n]=size(X);
e=ones(m,1);
D=[X0(:,4)];%%%训练样本的输出
B=zeros(m,m);
for i=1:m
    B(i,i)=1;
    C(i,i)=D(i,1);
end
A=[-X(:,1).*D,-X(:,2).*D,-X(:,3).*D,D,-B];
b=-e;
f=[0,0,0,0,ones(1,m)];
lb=[-inf,-inf,-inf,-inf,zeros(1,m)]';
x=linprog(f,A,b,[],[],lb);
W=[x(1,1),x(2,1),x(3,1)];
CC=x(4,1);
X1=[X(:,1),X(:,2),X(:,3)];
R1=X1*W'-CC;
R2=sign(R1);
disp('程序输出结果为:');
R=[R1,R2]

虽然有很小误差但是可以接受。

但是常见的并不是分为两类，比如葡萄酒那题分为4,5类怎么办（当然那题是无监督的，直接层次聚类或KEMANS就OK了）

假如我有三类要划分，他们是A、B、C。

　　于是我在抽取训练集的时候，分别抽取

　　（1）A所对应的向量作为正集(为1)，B，C所对应的向量作为负集(剩下的分为-1)；

　　（2）B所对应的向量作为正集，A，C所对应的向量作为负集；

　　（3）C所对应的向量作为正集，A，B所对应的向量作为负集；

　  使用这三个训练集分别进行训练，然后的得到三个训练结果文件。

　　在测试的时候，把对应的测试向量分别利用这三个训练结果文件进行测试。

　　最后每个测试都有一个结果f1(x),f2(x),f3(x).

　　于是最终的结果便是这四个值中最大的一个作为分类结果。

也就是说流程如下:

1,将数据整理成三个xls

2,对于第i个xls代表输入第i类的测试集，属于第i类的就标记结果为1,剩下的为-1.

3，每一个均划分平面

4,带入预测数据.

5,对于每一个预测数据取最大的那个xls的值作为结果，也就是说它属于第i类。

新的数据集如下:

编号	资产折现力	盈利能力	活性	类别
1	0.9	0.34	1.53	1
2	0.88	0.23	1.67	1
3	0.92	0.28	1.43	1
4	0.89	0.14	1.24	1
5	0.78	0.35	1.8	1
6	0.81	0.26	2.01	1
7	0.72	0.18	1.75	2
8	0.93	0.22	0.99	2
9	0.82	0.26	1.4	2
10	0.78	0.26	1.34	2
11	0.78	0.27	1.67	2
12	0.72	0.18	1.53	2
13	0.69	0.16	1.2	3
14	0.63	0.15	0.88	3
15	0.58	0.22	1.42	3
16	0.81	0.18	1.59	3
17	0.67	0.21	1.21	3
18	0.65	0.16	1.37	3

将数据处理后分别存入SVM2.xls,SVM3.xls,SVM4.xls

代码如下:

clc;
clear all;
X0=xlsread('SVM2.xls','B2:E19');
for i=1:3%%%训练样本的输入数据
   X(:,i)=(X0(:,i)-mean(X0(:,i)))/std(X0(:,i));%%%标准化处理
end
[m,n]=size(X);
e=ones(m,1);
D=[X0(:,4)];%%%训练样本的输出
B=zeros(m,m);
for i=1:m
    B(i,i)=1;
    C(i,i)=D(i,1);
end
A=[-X(:,1).*D,-X(:,2).*D,-X(:,3).*D,D,-B];
b=-e;
f=[0,0,0,0,ones(1,m)];
lb=[-inf,-inf,-inf,-inf,zeros(1,m)]';
x=linprog(f,A,b,[],[],lb);
W=[x(1,1),x(2,1),x(3,1)];
CC=x(4,1);
X1=[X(:,1),X(:,2),X(:,3)];
R1=X1*W'-CC;
R=R1;

%%%处理表二
X0=xlsread('SVM3.xls','B2:E19');
for i=1:3%%%训练样本的输入数据
   X(:,i)=(X0(:,i)-mean(X0(:,i)))/std(X0(:,i));%%%标准化处理
end
[m,n]=size(X);
e=ones(m,1);
D=[X0(:,4)];%%%训练样本的输出
B=zeros(m,m);
for i=1:m
    B(i,i)=1;
    C(i,i)=D(i,1);
end
A=[-X(:,1).*D,-X(:,2).*D,-X(:,3).*D,D,-B];
b=-e;
f=[0,0,0,0,ones(1,m)];
lb=[-inf,-inf,-inf,-inf,zeros(1,m)]';
x=linprog(f,A,b,[],[],lb);
W=[x(1,1),x(2,1),x(3,1)];
CC=x(4,1);
X1=[X(:,1),X(:,2),X(:,3)];
R1=X1*W'-CC;
R=[R,R1];


%%%处理表三
X0=xlsread('SVM4.xls','B2:E19');
for i=1:3%%%训练样本的输入数据
   X(:,i)=(X0(:,i)-mean(X0(:,i)))/std(X0(:,i));%%%标准化处理
end
[m,n]=size(X);
e=ones(m,1);
D=[X0(:,4)];%%%训练样本的输出
B=zeros(m,m);
for i=1:m
    B(i,i)=1;
    C(i,i)=D(i,1);
end
A=[-X(:,1).*D,-X(:,2).*D,-X(:,3).*D,D,-B];
b=-e;
f=[0,0,0,0,ones(1,m)];
lb=[-inf,-inf,-inf,-inf,zeros(1,m)]';
x=linprog(f,A,b,[],[],lb);
W=[x(1,1),x(2,1),x(3,1)];
CC=x(4,1);
X1=[X(:,1),X(:,2),X(:,3)];
R1=X1*W'-CC;
R=[R,R1];
for i=1:size(R,1)
[c,d]=max(R(i,:));
t(i,1)=c;
t(i,2)=d;%%%判断属于哪一个类别
end
disp('输出结果为:');
t

t =

   91.4813    1.0000
  105.2576    1.0000
   91.4428    1.0000
    5.0052    1.0000
   10.0521    1.0000
  105.9796    1.0000
   -0.7916    2.0000
    0.5677    2.0000
   -0.7547    2.0000
   -1.0000    3.0000
   -1.2244    2.0000
   -0.3183    3.0000
    1.1881    3.0000
    2.9200    3.0000
    1.2706    3.0000
   -0.0850    2.0000
    1.0000    3.0000
    1.1044    3.0000

结果还不错~~