SVM代码实现非线性分类 Matlab版
一、前言
在已经实现线性分类的基础上，进一步实现非线性分类的情况。其流程与代码与上一篇博客中的线性分类实现很相似。下面先谈一下sv与bsv，这些概念在西瓜书上可以找到的。关于这里出现的公式的推倒，请参考上上一篇博客：
二、流程及实现
流程图与线性分类一样
而关于二次规划查看帮助文档即可。
还是直接上代码，注释都比较详细：
%------------主函数----------------
clear all;
close all;
C = 10; %成本约束参数
kertype = 'rbf'; %rbf高斯核
%①------数据准备5*10方格，每个方格20个点，共1000个点
x1=[];
x3=[];
for i=0:1:9
for j=0:1:4
b=j+rand(20,1);%随机生成20个点
c=i+rand(20,1);
x0=[x1;b];
x2=[x3;c];
x1=x0; %这里的x1放所有点的横坐标
x3=x2; %x3放所有点的纵坐标,(x1,x3)
end
end
y0=[];%这个矩阵放所有点的标记
y1 = ones(20,1); %20个+1标记
y2 = -ones(20,1);%20个-1标记
for k=0:1:24 %循环赋值，使得5*10方格内相邻的格子标记都不一样
y0=[y0;y1];
y0=[y0;y2];
end
x1=x1.'
x3=x3.' %记得转置一下哦
figure; %创建一个用来显示图形输出的一个窗口对象
for m=1:1:25
plot(x1(1,(1+20*(2*m-2)):(20*(2*m-1))),x3(1,(1+20*(2*m-2)):(20*(2*m-1))),'k.'); %画图
hold on;
plot(x1(1,(1+20*(2*m-1)):(20*(2*m))),x3(1,(1+20*(2*m-1)):(20*(2*m))),'b+'); %画图
hold on; %在同一个figure中画几幅图时，用此句
end
%axis([0 5 0 10]); %设置坐标轴范围
%②-------------训练样本
X = [x1;x3]; %训练样本2*n矩阵，n为样本个数，d为特征向量个数
Y = y0.'; %训练目标1*n矩阵，n为样本个数，值为+1或-1
svm = svmTrain(X,Y,kertype,C); %训练样本
%%%把支持向量标出来,若支持向量画的不对，此时可通过在kernel函数调参来修改
for i=1:1:svm.svnum
if svm.Ysv(1,i)==1
plot(svm.Xsv(1,i),svm.Xsv(2,i),'mo');%一类支持向量用粉色圈住
else
plot(svm.Xsv(1,i),svm.Xsv(2,i),'ko');%另一类支持向量黑色圈
end
end
%plot(svm.Xsv(1,:),svm.Xsv(2,:),'ro');
%③-------------测试
[x1,x2] = meshgrid(0:0.05:5,0:0.05:10); %最大值控制着等高线在几乘几范围画出来
[rows,cols] = size(x1);
nt = rows*cols;
Xt = [reshape(x1,1,nt);reshape(x2,1,nt)];
%前半句reshape(x1,1,nt)是将x1转成1*（rows*cols）的矩阵，所以Xt是2*（rows*cols）的矩阵
%reshape函数重新调整矩阵的行、列、维数
y3 = ones(1,floor(nt/2));
y4 = -ones(1,floor(nt/2)+1);
Yt = [y3,y4];
result = svmTest(svm, Xt, Yt, kertype);
%④--------------画曲线的等高线图
Yd = reshape(result.Y,rows,cols);
contour(x1,x2,Yd,3); %产生三个水平的等高线
title('5*10数据分类');
x1=xlabel('X轴');
x2=ylabel('Y轴');
%-----------训练样本的函数svmTrain---------
function svm = svmTrain(X,Y,kertype,C)
% Options是用来控制算法的选项参数的向量，optimset无参时，创建一个选项结构所有字段为默认值的选项
options = optimset;
options.LargeScale = 'off';%LargeScale指大规模搜索，off表示在规模搜索模式关闭
options.Display = 'off'; %表示无输出
%二次规划来求解问题，可输入命令help quadprog查看详情
n = length(Y); %返回Y最长维数
H = (Y'*Y).*kernel(X,X,kertype);
f = -ones(n,1); %f为1*n个-1,f相当于Quadprog函数中的c
A = [];
b = [];
Aeq = Y; %相当于Quadprog函数中的A1,b1
beq = 0;
lb = zeros(n,1); %相当于Quadprog函数中的LB，UB
ub = C*ones(n,1);
a0 = zeros(n,1); % a0是解的初始近似值
[a,fval,eXitflag,output,lambda] = quadprog(H,f,A,b,Aeq,beq,lb,ub,a0,options);
%a是输出变量，问题的解
%fval是目标函数在解a处的值
%eXitflag>0,则程序收敛于解x；=0则函数的计算达到了最大次数；<0则问题无可行解，或程序运行失败
%output输出程序运行的某些信息
%lambda为在解a处的值Lagrange乘子
epsilon = 1e-8;
%0epsilon);
svm.a = a(sv_label);
svm.Xsv = X(:,sv_label);
svm.Ysv = Y(sv_label);
svm.svnum = length(sv_label);
%svm.label = sv_label;
end
%---------------核函数kernel---------------
function K = kernel(X,Y,type)
%X 维数*个数
switch type
case 'linear' %此时代表线性核
K = X'*Y;
case 'rbf' %此时代表高斯核
delta = 0.5; %改变这个参数图会变的不一样唉。。。越大支持向量越多。。。
delta = delta*delta;
XX = sum(X'.*X',2); %2表示将矩阵中的按行为单位进行求和
YY = sum(Y'.*Y',2);
XY = X'*Y;
K = abs(repmat(XX,[1 size(YY,1)]) + repmat(YY',[size(XX,1) 1]) - 2*XY);
K = exp(-K./delta);
end
end
%---------------测试的函数svmTest-------------
function result = svmTest(svm, Xt, Yt, kertype)
temp = (svm.a'.*svm.Ysv)*kernel(svm.Xsv,svm.Xsv,kertype);
%total_b = svm.Ysv-temp;
b = mean(svm.Ysv-temp); %b取均值
w = (svm.a'.*svm.Ysv)*kernel(svm.Xsv,Xt,kertype);
result.score = w + b;
Y = sign(w+b); %f(x)
result.Y = Y;
result.accuracy = size(find(Y==Yt))/size(Yt);
end
运行结果：
