在安裝了libsvm工具箱之后，使用svmtrain進行數據分類預測

%% 清空環境變量

close all;

clear;

clc;

format compact;

%% 數據提取

% 載入測試數據wine

% 包含的數據為classnumber = 3

% wine:178*13的矩陣

% wine_labes:178*1的列向量

load wine.mat;

%% 畫出測試數據的box可視化圖

figure;

boxplot(wine,'orientation','horizontal','labels',categories);

title('wine數據的box可視化圖','FontSize',12);

xlabel('屬性值','FontSize',12);

grid on;

%% 畫出測試數據的分維可視化圖

figure

subplot(3,5,1);

hold on

for run = 1:178

    plot(run,wine_labels(run),'*');

end

xlabel('樣本','FontSize',10);

ylabel('類別標簽','FontSize',10);

title('class','FontSize',10);

for run = 2:14

    subplot(3,5,run);

    hold on;

    str = ['attrib ',num2str(run-1)];

    for i = 1:178

        plot(i,wine(i,run-1),'*');

    end

    xlabel('樣本','FontSize',10);

    ylabel('屬性值','FontSize',10);

    title(str,'FontSize',10);

end

%% 選定訓練集和測試集

% 將第一類的1-30,第二類的60-95,第三類的131-153做為訓練集

train_wine = [wine(1:30,:);wine(60:95,:);wine(131:153,:)];

% 相應的訓練集的標簽也要分離出來

train_wine_labels = [wine_labels(1:30);wine_labels(60:95);wine_labels(131:153)];

% 將第一類的31-59,第二類的96-130,第三類的154-178做為測試集

test_wine = [wine(31:59,:);wine(96:130,:);wine(154:178,:)];

% 相應的測試集的標簽也要分離出來

test_wine_labels = [wine_labels(31:59);wine_labels(96:130);wine_labels(154:178)];

%% 數據預處理

% 數據預處理,將訓練集和測試集歸一化到[0,1]區間

[mtrain,ntrain] = size(train_wine);

[mtest,ntest] = size(test_wine);

dataset = [train_wine;test_wine];

% mapminmax為MATLAB自帶的歸一化函數

[dataset_scale,ps] = mapminmax(dataset',0,1);

dataset_scale = dataset_scale';

train_wine = dataset_scale(1:mtrain,:);

test_wine = dataset_scale( (mtrain+1):(mtrain+mtest),: );

%% SVM網絡訓練

model = svmtrain(train_wine_labels, train_wine, '-c 2 -g 1');

%% SVM網絡預測

[predict_label, accuracy] = svmpredict(test_wine_labels, test_wine, model);

%% 結果分析

% 測試集的實際分類和預測分類圖

% 通過圖可以看出只有一個測試樣本是被錯分的

figure;

hold on;

plot(test_wine_labels,'o');

plot(predict_label,'r*');

xlabel('測試集樣本','FontSize',12);

ylabel('類別標簽','FontSize',12);

legend('實際測試集分類','預測測試集分類');

title('測試集的實際分類和預測分類圖','FontSize',12);

grid on;