load fisheriris

 data = [meas(:,), meas(:,)];

 groups = ismember(species,'setosa');

 [train, test] = crossvalind('holdOut',groups);

 cp = classperf(groups);

 svmStruct = svmtrain(data(train,:),groups(train),'showplot',true);

 classes = svmclassify(svmStruct,data(test,:),'showplot',true);

 classperf(cp,classes,test);

svmstruct = svmtrain(Training, Group)

Rows of TRAINING correspond to observations; columns correspond to features. Y is a column vector that contains the known class labels for TRAINING.

Y is a grouping variable, i.e., it can be a categorical, numeric, or logical vector; a cell vector of strings; or a character matrix with each row representing a

class label (see help for groupingvariable). Each element of Y specifies the group the corresponding row of TRAINING belongs to.

TRAINING and Y must have the same number of rows. SVMSTRUCT contains information about the trained classifier, including the support vectors, that

is used by SVMCLASSIFY for classification. svmtrain treats NaNs, empty strings or 'undefined' values as missing values and ignores the corresponding

rows in TRAINING and Y.

Group = svmclassify(SVMStruct, Sample)

>> help svmclassify
 svmclassify Classify data using a support vector machine
    GROUP = svmclassify(SVMSTRUCT, TEST) classifies each row in TEST using the support vector machine classifier structure SVMSTRUCT created
    using SVMTRAIN, and returns the predicted class level GROUP. TEST must have the same number of columns as the data used to train the

classifier in SVMTRAIN. GROUP indicates the group to which each row of TEST is assigned.
 
    GROUP = svmclassify(...,'SHOWPLOT',true) plots the test data TEST on the figure created using the SHOWPLOT option in SVMTRAIN.

-----------------------------------------------------------------------------------------------

-----------------------------------------------------------------------------------------------

利用libsvm做多分类问题的经典案例：

[y, x] = libsvmread('iris.scale.txt');
m = svmtrain(y, x, '-t 0');
test_y=[1;2;3];
test_x=[-0.555556 0.25 -0.864407 -0.916667;
0.444444 -0.0833334 0.322034 0.166667 ;
-0.277778 -0.333333 0.322034 0.583333 ];
[predict_label, accuracy, prob_estimates] = svmpredict(test_y, test_x, m);
数据：'iris.scale'可在Libsvm网站上有。共有三类。

iris.scale.txt 文档为：

 :-0.555556 :0.25 :-0.864407 :-0.916667

 :-0.666667 :-0.166667 :-0.864407 :-0.916667

 :-0.777778 :-0.898305 :-0.916667

 :-0.833333 :-0.0833334 :-0.830508 :-0.916667

 :-0.611111 :0.333333 :-0.864407 :-0.916667

 :-0.388889 :0.583333 :-0.762712 :-0.75

 :-0.833333 :0.166667 :-0.864407 :-0.833333

 :-0.611111 :0.166667 :-0.830508 :-0.916667

 :-0.944444 :-0.25 :-0.864407 :-0.916667

 :-0.666667 :-0.0833334 :-0.830508 :-

 :-0.388889 :0.416667 :-0.830508 :-0.916667

 :-0.722222 :0.166667 :-0.79661 :-0.916667

 :-0.722222 :-0.166667 :-0.864407 :-

 :- :-0.166667 :-0.966102 :-

 :-0.166667 :0.666667 :-0.932203 :-0.916667

 :-0.222222 : :-0.830508 :-0.75

 :-0.388889 :0.583333 :-0.898305 :-0.75

 :-0.555556 :0.25 :-0.864407 :-0.833333

 :-0.222222 :0.5 :-0.762712 :-0.833333

 :-0.555556 :0.5 :-0.830508 :-0.833333

 :-0.388889 :0.166667 :-0.762712 :-0.916667

 :-0.555556 :0.416667 :-0.830508 :-0.75

 :-0.833333 :0.333333 :- :-0.916667

 :-0.555556 :0.0833333 :-0.762712 :-0.666667

 :-0.722222 :0.166667 :-0.694915 :-0.916667

 :-0.611111 :-0.166667 :-0.79661 :-0.916667

 :-0.611111 :0.166667 :-0.79661 :-0.75

 :-0.5 :0.25 :-0.830508 :-0.916667

 :-0.5 :0.166667 :-0.864407 :-0.916667

 :-0.777778 :-0.79661 :-0.916667

 :-0.722222 :-0.0833334 :-0.79661 :-0.916667

 :-0.388889 :0.166667 :-0.830508 :-0.75

 :-0.5 :0.75 :-0.830508 :-

 :-0.333333 :0.833333 :-0.864407 :-0.916667

 :-0.666667 :-0.0833334 :-0.830508 :-

 :-0.611111 :-0.932203 :-0.916667

 :-0.333333 :0.25 :-0.898305 :-0.916667

 :-0.666667 :-0.0833334 :-0.830508 :-

 :-0.944444 :-0.166667 :-0.898305 :-0.916667

 :-0.555556 :0.166667 :-0.830508 :-0.916667

 :-0.611111 :0.25 :-0.898305 :-0.833333

 :-0.888889 :-0.75 :-0.898305 :-0.833333

 :-0.944444 :-0.898305 :-0.916667

 :-0.611111 :0.25 :-0.79661 :-0.583333

 :-0.555556 :0.5 :-0.694915 :-0.75

 :-0.722222 :-0.166667 :-0.864407 :-0.833333

 :-0.555556 :0.5 :-0.79661 :-0.916667

 :-0.833333 :-0.864407 :-0.916667

 :-0.444444 :0.416667 :-0.830508 :-0.916667

 :-0.611111 :0.0833333 :-0.864407 :-0.916667

 :0.5 :0.254237 :0.0833333

 :0.166667 :0.186441 :0.166667

 :0.444444 :-0.0833334 :0.322034 :0.166667

 :-0.333333 :-0.75 :0.0169491 :-4.03573e-08

 :0.222222 :-0.333333 :0.220339 :0.166667

 :-0.222222 :-0.333333 :0.186441 :-4.03573e-08

 :0.111111 :0.0833333 :0.254237 :0.25

 :-0.666667 :-0.666667 :-0.220339 :-0.25

 :0.277778 :-0.25 :0.220339 :-4.03573e-08

 :-0.5 :-0.416667 :-0.0169491 :0.0833333

 :-0.611111 :- :-0.152542 :-0.25

 :-0.111111 :-0.166667 :0.0847457 :0.166667

 :-0.0555556 :-0.833333 :0.0169491 :-0.25

 :-1.32455e-07 :-0.25 :0.254237 :0.0833333

 :-0.277778 :-0.25 :-0.118644 :-4.03573e-08

 :0.333333 :-0.0833334 :0.152542 :0.0833333

 :-0.277778 :-0.166667 :0.186441 :0.166667

 :-0.166667 :-0.416667 :0.0508474 :-0.25

 :0.0555554 :-0.833333 :0.186441 :0.166667

 :-0.277778 :-0.583333 :-0.0169491 :-0.166667

 :-0.111111 :0.288136 :0.416667

 :-1.32455e-07 :-0.333333 :0.0169491 :-4.03573e-08

 :0.111111 :-0.583333 :0.322034 :0.166667

 :-1.32455e-07 :-0.333333 :0.254237 :-0.0833333

 :0.166667 :-0.25 :0.118644 :-4.03573e-08

 :0.277778 :-0.166667 :0.152542 :0.0833333

 :0.388889 :-0.333333 :0.288136 :0.0833333

 :0.333333 :-0.166667 :0.355932 :0.333333

 :-0.0555556 :-0.25 :0.186441 :0.166667

 :-0.222222 :-0.5 :-0.152542 :-0.25

 :-0.333333 :-0.666667 :-0.0508475 :-0.166667

 :-0.333333 :-0.666667 :-0.0847458 :-0.25

 :-0.166667 :-0.416667 :-0.0169491 :-0.0833333

 :-0.0555556 :-0.416667 :0.38983 :0.25

 :-0.388889 :-0.166667 :0.186441 :0.166667

 :-0.0555556 :0.166667 :0.186441 :0.25

 :0.333333 :-0.0833334 :0.254237 :0.166667

 :0.111111 :-0.75 :0.152542 :-4.03573e-08

 :-0.277778 :-0.166667 :0.0508474 :-4.03573e-08

 :-0.333333 :-0.583333 :0.0169491 :-4.03573e-08

 :-0.333333 :-0.5 :0.152542 :-0.0833333

 :-1.32455e-07 :-0.166667 :0.220339 :0.0833333

 :-0.166667 :-0.5 :0.0169491 :-0.0833333

 :-0.611111 :-0.75 :-0.220339 :-0.25

 :-0.277778 :-0.416667 :0.0847457 :-4.03573e-08

 :-0.222222 :-0.166667 :0.0847457 :-0.0833333

 :-0.222222 :-0.25 :0.0847457 :-4.03573e-08

 :0.0555554 :-0.25 :0.118644 :-4.03573e-08

 :-0.555556 :-0.583333 :-0.322034 :-0.166667

 :-0.222222 :-0.333333 :0.0508474 :-4.03573e-08

 :0.111111 :0.0833333 :0.694915 :

 :-0.166667 :-0.416667 :0.38983 :0.5

 :0.555555 :-0.166667 :0.661017 :0.666667

 :0.111111 :-0.25 :0.559322 :0.416667

 :0.222222 :-0.166667 :0.627119 :0.75

 :0.833333 :-0.166667 :0.898305 :0.666667

 :-0.666667 :-0.583333 :0.186441 :0.333333

 :0.666667 :-0.25 :0.79661 :0.416667

 :0.333333 :-0.583333 :0.627119 :0.416667

 :0.611111 :0.333333 :0.728813 :

 :0.222222 :0.38983 :0.583333

 :0.166667 :-0.416667 :0.457627 :0.5

 :0.388889 :-0.166667 :0.525424 :0.666667

 :-0.222222 :-0.583333 :0.355932 :0.583333

 :-0.166667 :-0.333333 :0.38983 :0.916667

 :0.166667 :0.457627 :0.833333

 :0.222222 :-0.166667 :0.525424 :0.416667

 :0.888889 :0.5 :0.932203 :0.75

 :0.888889 :-0.5 : :0.833333

 :-0.0555556 :-0.833333 :0.355932 :0.166667

 :0.444444 :0.59322 :0.833333

 :-0.277778 :-0.333333 :0.322034 :0.583333

 :0.888889 :-0.333333 :0.932203 :0.583333

 :0.111111 :-0.416667 :0.322034 :0.416667

 :0.333333 :0.0833333 :0.59322 :0.666667

 :0.611111 :0.694915 :0.416667

 :0.0555554 :-0.333333 :0.288136 :0.416667

 :-1.32455e-07 :-0.166667 :0.322034 :0.416667

 :0.166667 :-0.333333 :0.559322 :0.666667

 :0.611111 :-0.166667 :0.627119 :0.25

 :0.722222 :-0.333333 :0.728813 :0.5

 : :0.5 :0.830508 :0.583333

 :0.166667 :-0.333333 :0.559322 :0.75

 :0.111111 :-0.333333 :0.38983 :0.166667

 :-1.32455e-07 :-0.5 :0.559322 :0.0833333

 :0.888889 :-0.166667 :0.728813 :0.833333

 :0.111111 :0.166667 :0.559322 :0.916667

 :0.166667 :-0.0833334 :0.525424 :0.416667

 :-0.0555556 :-0.166667 :0.288136 :0.416667

 :0.444444 :-0.0833334 :0.491525 :0.666667

 :0.333333 :-0.0833334 :0.559322 :0.916667

 :0.444444 :-0.0833334 :0.38983 :0.833333

 :-0.166667 :-0.416667 :0.38983 :0.5

 :0.388889 :0.661017 :0.833333

 :0.333333 :0.0833333 :0.59322 :

 :0.333333 :-0.166667 :0.423729 :0.833333

 :0.111111 :-0.583333 :0.355932 :0.5

 :0.222222 :-0.166667 :0.423729 :0.583333

 :0.0555554 :0.166667 :0.491525 :0.833333

 :-0.111111 :-0.166667 :0.38983 :0.416667

SVM实用操作： svmtrain and svmclassify的更多相关文章

  1. 提高开发效率的 Eclipse 实用操作

    工欲善其事,必先利其器.对于程序员来说,Eclipse便是其中的一个“器”.本文会从Eclipse快捷键和实用技巧这两个篇章展开介绍.Eclipse快捷键用熟后,不用鼠标,便可进行编程开发,避免鼠标分 ...

  2. Chrome 开发者工具实用操作

    Chrome 开发者工具实用操作 https://umaar.com/dev-tips/

  3. KiCAD实用操作

    KiCAD实用操作之一:自动编辑线宽 今天偶然间发现的一个比较实用的功能,算是KiCAD的一个优点吧(或许是在AD上面没发现):当整个PCB布完线或者在布线过程中,我们有可能需要对某个线的宽度进行调整 ...

  4. （原）Matlab的svmtrain和svmclassify

    转载请注明出处: http://www.cnblogs.com/darkknightzh/p/5554551.html 参考网址: http://www.cnblogs.com/zhangchaoya ...

  5. 能够提高开发效率的Eclipse实用操作

    工欲善其事,必先利其器.对于程序员来说,Eclipse便是其中的一个“器”.本文会从Eclipse快捷键和实用技巧这两个篇章展开介绍.Eclipse快捷键用熟后,不用鼠标,便可进行编程开发,避免鼠标分 ...

  6. 能够提高开发效率的 Eclipse 实用操作

    工欲善其事,必先利其器.对于程序员来说,Eclipse便是其中的一个“器”.本文会从Eclipse快捷键和实用技巧这两个篇章展开介绍.Eclipse快捷键用熟后,不用鼠标,便可进行编程开发,避免鼠标分 ...

  7. VS2019 实用操作

    本文列出了在编写程序过程中的几个非常实用的操作方式,通过这些操作方式,可以在一定程度上减少重复操作.提高编码效率.改善编程体验. 列模式操作 列操作是一项很常用且实用的功能,可以一次性修改不同的行. ...

  8. Netcat实用操作

    写久了web倦了,第n次开始尝试网络开发,于是熟悉一下常用工具. 尝试了一下netcat来测试服务器,或者充当客户端都异常好用.于是记录一下常用的一下命令 1. 充当服务器,或者客户端进行访问 通过n ...

  9. Myeclipse学习总结（8）——Eclipse实用操作

    工欲善其事,必先利其器.对于程序员来说,Eclipse便是其中的一个"器".本文会从Eclipse快捷键和实用技巧这两个篇章展开介绍.Eclipse快捷键用熟后,不用鼠标,便可进行 ...

随机推荐

  1. HTML基础学习笔记

    一.基本结构 <html>——开始标记 <head></head>——头标记,用来控制布局.编码.特效等内容 <body></body>—— ...

  2. uva11059

    除法(Division,uva725) 输入整数n,按从小到大的顺序输出所有形如abcde/fghij=n的表达式,其中a~j恰好为数字0~9的一个排列(可以有前导0),2<=n<=79. ...

  3. PHP面向对象的继承

    <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8&quo ...

  4. openstack中运行定时任务的两种方法及源代码分析

    启动一个进程,如要想要这个进程的某个方法定时得进行执行的话,在openstack有两种方式: 一种是通过继承 periodic_task.PeriodicTasks,另一种是使用loopingcall ...

  5. 2016- 1- 16 NSThread 的学习

    一:NSThread的概念: 二:NSThread的使用: 1.创建一个Thread 1.1第一种方法: - (void)test1{ NSString *str = @"zhengli&q ...

  6. 需求分析（NABC）

    团队开发需求分析 队长:郭庆樑 成员:林彦汝.张金 经过讨论,我们决定做一个基于Windows的小游戏——躲避小球. 把这个项目实现,组长强调有两点: 1.可实现:2.有用户. 可以说,我们最大的特点 ...

  7. Python 类的一些BIF

    issubclass issubclass(cls, class_or_tuple, /) Return whether 'cls' is a derived from another class o ...

  8. 有意义的命名 Meaningful names

    名副其实 use intention-revealing names 变量.函数或类的名称应该已经答复了所有的大问题.它该告诉你,他为什么会存在,他做什么事,应该怎么用.我们应该选择都是致命了计量对象 ...

  9. Windows桌面快捷方式图标全部变成同一个图标的解决方法

    今天来个客人,说是电脑的所有程序打开都变成 Adobe Reader 了,打开看了下,刚开始是以为EXE文件关联被修改了,用注册表修复工具弄了下,重启电脑,还是老样子.仔细看了下,原来只是快捷方式变成 ...

  10. Java课程作业1

    模仿JavaAppArguments.java实例,编写一个程序,此程序从命令行接受多个数字,求和之后输出. 设计思想:命令行参数都是字符串,必须将其转化成数字才能相加,定义一个数组接收字符串转化的数 ...