matlab自带SVM算法例子（附函数详解）
一、程序
SVM理论的学习，见文章：http://blog.csdn.net/ckzhb/article/details/68941695
load fisheriris %fisheriris 是一个数据集。
X = [meas(:,1), meas(:,2)]; %提取前两个特征。
Y = nominal(ismember(species,'setosa')); %只能识别两类，获取Setosa类数据在species中的标记，Y中存储的相应位置的出现或不出现（True or False）。
P = cvpartition(Y,'Holdout',0.20); %将Y中20%作为测试数据，其余为训练数据。
svmStruct =svmtrain(X(P.training,:),Y(P.training),'showplot',true);
C =svmclassify(svmStruct,X(P.test,:),'showplot',true);
errRate = sum(Y(P.test)~=C)/P.TestSize %统计分类错误率
conMat = confusionmat(Y(P.test),C) % t计算混淆矩阵
注：（1）matlab中关于SVM的函数有：svmtrain和svmclassify。
（2）适用于两类问题。多类问题可以参考论文文献。
二、详解
(1)ismember()：
[tf index]=ismember(a,b); %判断a中的元素有没有在b中出现。
tf返回一个和a同样大小的矩阵，a的元素在b中出现，tf上的相应位置元素值为1，没有出现则为0；index也是返回一个和a同样大小的矩阵，其相应位置的值为a相应位置的元素在b中出现的第一次标号，若某元素在b中出现多次，则记录的是第一次出现的标号，若该位置上的a的元素没有在b中出现，则返回0.
(2)nominal()：
具体见帮助文档。实际上，这里可以不用的。
比较：
Y = ismember(species,'setosa');
svmStruct =svmtrain(X(P.training,:),Y(P.training),'showplot',1);
与
Y = nominal(ismember(species,'setosa'));
svmStruct =svmtrain(X(P.training,:),Y(P.training),'showplot',true);
结果：
两者分类识别对象不同，一个是“1”，另一个是“true”，最终影响的只是plot中的标签。
(3) C = cvpartition(N,'HoldOut',P)：
数据分类，取N乘P为测试集，其余为训练集，进行交叉验证。
所谓交叉验证，即例如10折交叉验证(10-fold cross validation)，将数据集分成十份，轮流将其中9份做训练1份做验证，10次的结果的均值作为对算法精度的估计。
Holdout 验证并非一种交叉验证，因为数据并没有交叉使用。 随机从最初的样本中选出部分，形成交叉验证数据，而剩余的就当做训练数据。
cvpartition properties:
TestSize：测试集的大小。这里是30。（150*20%=30）
cvpartition methods:
test：交叉验证分区的测试集。返回一个逻辑向量。
training：交叉验证分区的训练集。返回一个逻辑向量。
详细：P.training是150x1 logical，而且P.test也是150x1logical，两者逻辑相反。即P.training中有120行是逻辑1，30个是逻辑0。P.test与之相反。
则X(P.training,:)——将X中选出的训练集挑选出来。120行2列。
(4)SVMSTRUCT = svmtrain(TRAINING, Y,'PARAM1',val1, 'PARAM2',val2, ...)
TRAINING：预测数据。行表示数据个数，列表示特征的个数。
Y：针对TRAINING的数据的类别。即已知的类别。
TRAINING和Y的行数必须一致，每一行代表一组数据及其结果。（这与matlab中BP算法程序正好相反）。
'PARAM1',val1, 'PARAM2',val2, ... ：具体可见帮助文档。
这里使用参数'showplot'：A logical value specifying whether or not to show a plot. When thevalue is true, svmtrain creates a plot of the grouped data and the separatingline for the classifier, when using data with 2 features (columns). Default isfalse.
注意：The display option can only plot 2D training data.所以前面X只提取两个特征。
（5）svmclassify(SVMSTRUCT, TEST)
C =svmclassify(svmStruct,X(P.test,:),'showplot',true);
使用之前的训练数据训练出来的支持向量机，对测试数据进行分类。要求TEST的列数与前面训练支持向量机的数据的列数一致。
（6）~= 是 “不等于”的意思。
如a ~= b 判断a和b是否不等，若不等，值为1。
Y(P.test)表示测试集的实际分类结果；C表示测试集经支持向量机分类后的结果。
（7）混淆矩阵
它是一种特定的矩阵用来呈现算法性能的可视化效果，通常是监督学习（非监督学习，通常用匹配矩阵：matching matrix）。其每一列代表预测值，每一行代表的是实际的类别。
混淆即一个class被预测成另一个class，对两类问题，显然是一个2X2矩阵。