fitcsvm - Matlab的SVM分类器

发表于 更新于 本文字数： 626 阅读时长 ≈ 2 分钟

在Matlab下使用SVM(支持向量机，support vector machine)分类器实现数据分类预测。

fitcsvm - Matlab的SVM分类器

1 构造SVM分类器

Matlab已经开始提示，推荐使用fitcsvm，且未来版本将删除 svmclassify。因此，本文介绍fitcsvm。

1.1 fitcsvm函数

使用fitcsvm函数即可构造 (construct) SVM分类器。

输入：

  • 分类集数据
  • 分类集标记
  • 参数表
    • 属性 key
    • 参数 value
1
svmClassifier = fitcsvm(TrainData',TrainLabels')
  • TrainData和TrainLabels，是我分离出的训练集数据，此处做了矩阵转置，因为MatLab的fitcknn函数接收的参数是一行一条数据，一列一个特征维度的。
    • 具体地，TrainData是一个1024×1140 double的数据集，原始数据的结构是每列一条数据，每条数据有1024个特征（feature）。
    • TrainLabels是一个1×1140 double的数据集，原始数据的结构是每列一个标记，与TrainData一一对应，实现标定。
  • 实际上，fitcknn将TrainLabels识别为ClassNames，也就是说，可以输入非数值型标记，只要区分出类别即可。
  • 注意：fitcsvm只支持二分类！

输出：

  • ClassificationSVM对象

1.2 运行实例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
>> svmClassifier = fitcsvm(TrainData',Labels)

svmClassifier = 

  ClassificationSVM
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: [0 1]
           ScoreTransform: 'none'
          NumObservations: 1140
                    Alpha: [32x1 double]
                     Bias: -0.8187
         KernelParameters: [1x1 struct]
           BoxConstraints: [1140x1 double]
          ConvergenceInfo: [1x1 struct]
          IsSupportVector: [1140x1 logical]
                   Solver: 'SMO'


  Properties, Methods

>>

2 使用SVM分类器实现预测分类

2.1 predict函数

使用predict函数即可根据分类器，对输入的测试数据进行分类预测。

输入：

  • 分类器 classifier
  • 测试数据
1
[labels, scores] = predict(svmClassifier{i}, TestData');
  • TestData(:,1:60)'做了转置，使得一行一条数据，示例选取60条数据
  • 输出的cls是一个60条类信息的60×1维度矩阵

输出：

  • 分类结果

    • 维度，数据项数×1列

  • 分数 score

    • The SVM classification score for classifying observation x is the signed distance from x to the decision boundary ranging from -∞ to +∞. A positive score for a class indicates that x is predicted to be in that class, a negative score indicates otherwise.

      (Matlab Documentation)

    • score 是输入点x到决策边界的有符号距离。也就是x(...)所在的高维度空间内，x点与分类超平面的有向距离。绝对值越大，说明离分类超平面越远，则更加属于对应类别。

2.2 运行实例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
>> [labels, scores] = predict(svmClassifier, TestData(:,1:5)')

labels =

     0
     0
     0
     0
     0


scores =

    4.1200   -4.1200
    3.9809   -3.9809
    2.5742   -2.5742
    3.0851   -3.0851
    2.2911   -2.2911

>>

  • 输出了1~5项数据的分类预测

    • 在我的测试例中，实际上都是判定1~5条数据不属于第38个标定类。