【SVM分类】基于支持向量机的数据分类预测(libsvm)附matlab代码
✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
⛄ 内容介绍
基于支持向量机(Support Vector Machine，SVM)的数据分类预测是一种常用的机器学习方法，用于将数据划分为不同的类别。在这里，我将介绍基于libsvm库实现SVM分类的基本步骤。
- 数据准备：首先，准备用于训练和测试的数据集。数据集应包含已标记的样本，每个样本都有一组特征和对应的类别标签。
- 特征提取与选择：根据问题的需求，从原始数据中提取出适当的特征作为输入。特征选择可以帮助提高分类性能，减少不必要的维度。
- 数据预处理：对数据进行预处理操作，如特征缩放、标准化、归一化等，以确保不同特征之间具有相似的尺度。
- 建立模型：使用libsvm库，选择适当的核函数和参数配置来建立SVM分类模型。常用的核函数包括线性核、多项式核和高斯径向基函数(RBF)核。
- 训练模型：将准备好的训练数据输入到libsvm库中，根据选择的核函数和参数进行模型训练。训练过程将找到最优的超平面，以最大化不同类别之间的间隔。
- 模型评估：使用测试数据集对训练好的模型进行评估，计算分类准确率、精确率、召回率、F1值等指标，以评估模型的性能。
- 模型优化：根据评估结果和需求，调整SVM模型的参数配置，如核函数的参数、正则化参数等，以进一步优化分类性能。
- 预测分类：使用训练好的SVM模型对新的未知样本进行分类预测。将样本的特征输入到模型中，根据模型的判定边界将其分为不同的类别。
libsvm是一个常用的SVM库，提供了多种编程语言的接口，如C++, Java, Python等。通过调用相应的接口函数，可以方便地实现SVM分类任务，并进行模型训练和预测。
⛄ 部分代码
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%% 导入数据
res = xlsread('数据集.xlsx');
%% 划分训练集和测试集
temp = randperm(357);
P_train = res(temp(1: 240), 1: 12)';
T_train = res(temp(1: 240), 13)';
M = size(P_train, 2);
P_test = res(temp(241: end), 1: 12)';
T_test = res(temp(241: end), 13)';
N = size(P_test, 2);
%% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input );
t_train = T_train;
t_test = T_test ;
%% 转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';
%% 创建模型
c = 10.0; % 惩罚因子
g = 0.01; % 径向基函数参数
cmd = ['-t 2', '-c', num2str(c), '-g', num2str(g)];
model = svmtrain(t_train, p_train, cmd);
%% 仿真测试
T_sim1 = svmpredict(t_train, p_train, model);
T_sim2 = svmpredict(t_test , p_test , model);
%% 性能评价
error1 = sum((T_sim1' == T_train)) / M * 100;
error2 = sum((T_sim2' == T_test )) / N * 100;
%% 数据排序
[T_train, index_1] = sort(T_train);
[T_test , index_2] = sort(T_test );
T_sim1 = T_sim1(index_1);
T_sim2 = T_sim2(index_2);
%% 绘图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['准确率=' num2str(error1) '%']};
title(string)
grid
figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']};
title(string)
grid
%% 混淆矩阵
figure
cm = confusionchart(T_train, T_sim1);
cm.Title = 'Confusion Matrix for Train Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';
figure
cm = confusionchart(T_test, T_sim2);
cm.Title = 'Confusion Matrix for Test Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';⛄ 运行结果
⛄ 参考文献
[1] 韩世军.基于支持向量机的立星110kV变压器故障诊断[D].宁夏大学[2023-07-09].