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. IBM RSA 的语言设置

    右键 IBM Rational software Architect for websphere software 快捷方式 ----> 打开文件位置 在 eclipse.ini 文件中添加参数 ...

  2. 毕向东day01笔记--dos-jdk-jre-环境变量等

    1.常用的dos命令,md,rd,dir,c:(进入C盘),del,set classpath 2.JDK和JRE之间的区别: JDK包含JER,JRE包含JVM. 3.环境变量的配置,静态配置--b ...

  3. ACM -二分图题目小结

    暂时只包括与最大匹配相关的问题. 求最大独立集,最小路径覆盖等等大多数题目都可以转化为求最大匹配用匈牙利算法解决. 1.最大匹配(边集) 此类问题最直接,直接用匈牙利算法即可. HDU 2063  过 ...

  4. Bayeux

    Bayeux是一种用来在客户端和服务器端传输低延迟的异步消息(主要通过http)的一种协议.它定义的消息通过命名通道进行路由并且能够进行交互传 送:server -> client, clien ...

  5. linux添加动态库搜索路径

    在有时运行程序出现动态库找不着的问题,而明明装了的.这时候可能是没有将相应的路径添加到系统中去. 具体说:cd /etc/ld.so.conf.d/ 可以发现里面有一堆*.conf的文件 我们要做的就 ...

  6. ERP仓库管理系统查询(十)

    需求:    1.根据仓库编号,获取仓库信息绑定至页面相关控件. 2.根据仓库编号,获取管理员信息绑定到页面相关控件 修改的界面: <%@ Page Language="C#" ...

  7. Smart210---LED驱动

    经过几天的学习,终于linux驱动的基本框架弄清楚了...真的很艰辛,,,不过终于还是熬过来了,虽然还是最基础的,,, 今晚也完成了我第一个linux驱动,,,心里还是有点小兴奋的,哈哈O(∩_∩)O ...

  8. 暴力枚举——Help Me with the Game

      Time Limit: 1000MS   Memory Limit: 65536K Total Submissions: 3394   Accepted: 2172 Description You ...

  9. 触摸事件UITouch的用法

    触摸屏幕是iOS设备接受用户输入的主要方式,包括单击.双击.拨动以及多点触摸等,这些操作都会产生触摸事件. 在Cocoa中,代表触摸对象的类是UITouch.当用户触摸屏幕后,就会产生相应的事件,所有 ...

  10. C# Socket Server 收不到数据

    #/usr/bin/env python # -*- coding: utf- -*- # C# Socket Server 收不到数据 # 说明: # 最近在调Python通过Socket Clie ...