通過交叉驗證方法利用訓練集找到分類的最佳參數，不但能夠高淮確率的預測訓練集而且要合理的預測測試集，使得測試集的分類準確率也維持在一個較高水平，即使得得到的SVM分類器的學習能力和推廣能力保持一個平衡.避免過學習和欠學習狀況發生。

交叉驗證方法就是讓c和g在一定的范圍內取值，對于取定得c和g把訓練集作為原始數裾集利用K - CV方法得到在此組c和g下訓練集驗證分類準確率，最終取使得訓練集驗證分類準確率最高的那組c和g做為最佳的參數，但有一個問題就是可能會有多組的c和g對應于最高的驗證分類準確率，這種情況怎么處理？這里采用的手段是選取能夠適到最高驗證分類準確率巾參數r最小的那組c和g做為最佳的參數，如果對應最小的c有多組g，就選取搜索到的第一組c和g做為最佳的參數。這樣做的理由是：過高的c會導致過學習狀態發生，即訓練集分類準確率很高而測試集分類準確率很低（分類器的泛化能力降低），所以在能夠達到最高驗證分類準確率中的所有的成對的c和g中認為較小的懲罰參數c是更佳的選擇對象。

%% 清空環境變量

clear

clc

%% 導入數據

load BreastTissue_data.mat

% 隨機產生訓練集和測試集

n = randperm(size(matrix,1));

% 訓練集——80個樣本

train_matrix = matrix(n(1:80),:);

train_label = label(n(1:80),:);

% 測試集——26個樣本

test_matrix = matrix(n(81:end),:);

test_label = label(n(81:end),:);

%% 數據歸一化

[Train_matrix,PS] = mapminmax(train_matrix');

Train_matrix = Train_matrix';

Test_matrix = mapminmax('apply',test_matrix',PS);

Test_matrix = Test_matrix';

%% SVM創建/訓練(RBF核函數)

% 尋找最佳c/g參數——交叉驗證方法

[c,g] = meshgrid(-10:0.2:10,-10:0.2:10);

[m,n] = size(c);

cg = zeros(m,n);

eps = 10^(-4);

v = 5;

bestc = 1;

bestg = 0.1;

bestacc = 0;

for i = 1:m

    for j = 1:n

        cmd = ['-v ',num2str(v),' -t 2',' -c ',num2str(2^c(i,j)),' -g ',num2str(2^g(i,j))];

        cg(i,j) = svmtrain(train_label,Train_matrix,cmd);     

        if cg(i,j) > bestacc

            bestacc = cg(i,j);

            bestc = 2^c(i,j);

            bestg = 2^g(i,j);

        end        

        if abs( cg(i,j)-bestacc )<=eps && bestc > 2^c(i,j) 

            bestacc = cg(i,j);

            bestc = 2^c(i,j);

            bestg = 2^g(i,j);

        end               

    end

end

cmd = [' -t 2',' -c ',num2str(bestc),' -g ',num2str(bestg)];

% 創建/訓練SVM模型

model = svmtrain(train_label,Train_matrix,cmd);

%% SVM仿真測試

[predict_label_1,accuracy_1] = svmpredict(train_label,Train_matrix,model);

[predict_label_2,accuracy_2] = svmpredict(test_label,Test_matrix,model);

result_1 = [train_label predict_label_1];

result_2 = [test_label predict_label_2];

%% 繪圖

figure

plot(1:length(test_label),test_label,'r-*')

hold on

plot(1:length(test_label),predict_label_2,'b:o')

grid on

legend('真實類別','預測類別')

xlabel('測試集樣本編號')

ylabel('測試集樣本類別')

string = {'測試集SVM預測結果對比(RBF核函數)';

          ['accuracy = ' num2str(accuracy_2(1)) '%']};

title(string)