MATLAB中LS-SVM工具箱的问题

LS-SVM是什么，题主随便搜索一下就应该知道了啊。。。

LS-SVM 是 Least Squares Support Vector Machines 的缩写，中文翻译成“最小二乘支持向量机”，用于非线性分类、回归、时间序列预测和无监督学习等领域。

至于那两个函数，trainlssvm 用来训练得到模型，simlssvm则用trainlssvm训练得到的model为测试集分类或者进行函数拟合（和神经网络中的概念类似）。

工具箱里面有相应的演示程序（名字都以demo开头），您可以结合具体的例子去学习。

附件是一个关于该工具箱的说明，供参考。

import numpy as np

from sklearn import svm

x_train = nparray([[124, 127], [136, 174], [138, 164],

[138, 182], [138, 19], [14, 17],

[148, 182], [154, 182], [156, 208],#Af型蠓虫

[114, 182], [118, 196], [12, 186],

[126, 2], [128, 2], [13, 196]])#Apf型蠓虫

y_train = nparray([0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1])#Af型蠓虫标签为0，Apf型蠓虫标签为1

model = svmSVC(C=10, kernel='linear', degree=3, gamma='auto')#定义SVM模型

modelfit(x_train, y_train)#进行模型训练

x_test = nparray([[124, 18], [128, 184], [14, 204]])

y_test = modelpredict(x_test)

print("y_predict:", y_test)

w = modelcoef_

print("w:", w)

b = modelintercept_

print("b:", b)

1支持向量机（SVM）概述

（1）支持向量机(Support Vector Machines，SVM)是一种二元分类模型，它是一类模型的统称，其中包括：

①线性可分支持向量机；

②线性支持向量机；

③非线性支持向量机。

（2）核心思想：

    训练阶段在特征空间中寻找一个超平面，它能（或尽量能）将训练样本中的正例和负例分离在它的两侧，预测时以该超平面作为决策边界判断输入实例的类别。寻找超平面的原则是，在可分离的情况下使超平面与数据集间隔最大化。

（3）支持向量机的分类示意图为：

简单来说，SVM的原理就是在平面内找到一条直线，使得这两类不同的样本点分开，并且保证能够尽可能远的远离这条直线。用向量表示两类样本点之间的分类间隔(Margin)为：

支持向量机的目的是使r最大，等价于使||w||/2最小。而几何向量使分类间隔最大问题可以转化为运筹学上的约束优化问题。因为涉及太多复杂公式，此处省略。

只要理解了SVM的原理，并且学会利用sklearn库调用SVM模块，就达到了数据分析的目的。

2SVM算法实现

（1）重要参数说明：

①kernel ：核函数，默认是rbf，可以是‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’ 。

·kernel='linear'时为线性核，C越大分类效果越好，但有可能会过拟合（defaul C=1）；

·kernel='poly'时为多项式核函数；

·kernel='rbf'时（default）为高斯核，gamma值越小，分类界面越连续；gamma值越大，分类界面越“散”，分类效果越好，但有可能会过拟合。

②decision_function_shape：

·decision_function_shape='ovr'时，为one v rest，即一个类别与其他类别进行划分；

·decision_function_shape='ovo'时，为one v one，即将类别两两之间进行划分，用二分类的方法模拟多分类的结果。

（2）程序实现过程：

注

在分类型模型评判的指标中，常见的方法有如下三种：

①混淆矩阵（也称误差矩阵，Confusion Matrix）

    混淆矩阵是评判模型结果的指标，属于模型评估的一部分。此外，混淆矩阵多用于判断分类器（Classifier）的优劣，适用于分类型的数据模型，如分类树（Classification Tree）、逻辑回归（Logistic Regression）、线性判别分析（Linear Discriminant Analysis）等方法。

混淆矩阵的一级指标：

通过混淆矩阵可以计算出评估模型的几个指标（二级指标）：

三级指标：F1-score

其中，P代表Precision，R代表Recall。

F1-Score指标综合了Precision与Recall的产出的结果。F1-Score的取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差。

Ps：当分类结果多于两种时，需要将结果转化为上面的类型。

详细内容参考博文>

以上就是关于MATLAB中LS-SVM工具箱的问题全部的内容，包括:MATLAB中LS-SVM工具箱的问题、基于SVM技术的蠓虫分类问题、「数据分类」15支持向量机(SVM)及混淆矩阵等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！