clear all;
close all;
clc;
% 确保libsvm_317工具包在当前文件夹
addpath('.\libsvm_317\matlab'); % 引入\libsvm_317\matlab\子文件夹中的子函数

%% SVR 基本使用示例

% 产生初始训练样本和训练输出量
P=-1:0.1:1; % 训练样本输入, 1*N
T=sin(pi*P); % 训练样本输出, 1*N

% 确保libsvm工具包输入函数格式
P1 = P'; % 确保训练样本矩阵为 N*m, N表示有多少个样本, m表示一个样本有多少属性量(也叫特征量),本示例中 m=1
T1 = T'; % 确保训练样本输出为 N*1, N表示样本个数, 1表示SVR的输出为1维量

%% 调用SVM训练函数, 部分参数定义如下, 详细请参考\libsvm_317\matlab\子文件夹中的svmtrain.c文件
% 这些参数的具体物理意义, 请参考 http://www.csie.ntu.edu.tw/~cjlin/libsvm/ 网站
% ------------------------------------------------
% "-s svm_type : set type of SVM (default 0)"
% " 0 -- C-SVC (multi-class classification)"
% " 1 -- nu-SVC (multi-class classification)"
% " 2 -- one-class SVM"
% " 3 -- epsilon-SVR (regression)"
% " 4 -- nu-SVR (regression)"
% --------------------------------------------------
% "-p epsilon : set the epsilon in loss function of epsilon-SVR (default 0.1)"
% --------------------------------------------------
% "-t kernel_type : set type of kernel function (default 2)"
% " 0 -- linear: u'*v\n"
% " 1 -- polynomial: (gamma*u'*v + coef0)^degree"
% " 2 -- radial basis function: exp(-gamma*|u-v|^2)"
% " 3 -- sigmoid: tanh(gamma*u'*v + coef0)"
% " 4 -- precomputed kernel (kernel values in training_instance_matrix)"
% ---------------------------------------------------
model = svmtrain(T1, P1, '-s 3 -p 0.1 -t 2'); % SVM(SVR)训练结果保存在model类结构下

% 校验当前参数下,SVR模型的训练误差量, 即将训练样本P1和其输出T1输入, model参数集输入,
% 计算训练样本P1在拟合曲线上的输出, 与真实输出T1的误差量
[~, accuracy, ~] = svmpredict(T1, P1, model); % test the training data
accuracy(3) % 输出训练误差量

%% 利用训练得到的SVR模型, 预测未知量的拟合输出值
P_test = [0.1,0.2,0.3]; % 1*k, k个未知量
P_test1 = P_test'; % 确保测试样本矩阵为 k*m, k表示有多少个测试样本, m表示一个样本有多少属性量(也叫特征量),本示例中 m=1

% 将测试样本输入, 计算拟合输出量
[test_label, ~, ~] = svmpredict(ones(size(P_test1,1),1), P_test1, model);
%
% 由于训练样本是按照 sin(pi*x)函数产生的,所以测试样本集 P_test1 的真实期望输出为 sin(pi*P_test1)
disp('测试样本集P_test1的真实期望输出为：');
T_test1 = sin(pi*P_test1)
disp('测试样本集P_test1的拟合期望预测为：');
test_label

clear all; % 清楚所有变量缓存
close all; % 关闭所有打开Figure窗口
clc; % 清除命令窗口无关内容

%% 变量输入
a = [1, 2, 3]; % 行向量
b = [1; 2; 3]; % 列向量
% Excel中copy
c = [];
% 变量空间中paste
d = [];
f = magic(4)

[f_max_lab1, f_max_lab2]=find(f==min(min(f))) % 找出矩阵f中最小值对应的坐标

%% 变量保存
save(['data_a_b.mat'],'a','b'); % 将Matlab数据进行保存

clear all; % 删除所有变量
load('data_a_b.mat'); % 直接引入, 可看到变量 a b 重新出现
D0 = load('data_a_b.mat'); % 以类的形式进行引入, a和b以类结构出现

%%
clear all;
% close all;
clc;
%
%% 作图
x_value = [7.5, 6, 5.5, 5, 4.5, 4, 3];
y_value = [0.51, 0.67, 0.721, 0.80, 0.754, 0.721, 0.601];
%
figure(1);

% '*'为星号形, '+'为加号形, 'x'为叉号形状....
% 'Color'有多种颜色, blue,green,red,cyan,magenta,yellow,black
plot(x_value, y_value, '-*','MarkerSize',10,'LineWidth',2, 'Color','blue');

xxl = xlabel('隐层节点数'); %横标题
set(xxl,'Fontsize',16); %调节标题大小
yyl = ylabel('数据值'); %纵标题
set(yyl,'Fontsize',16); %调节标题大小

% 有两种结果需要比较,如下
x_value1 = x_value - 1;
y_value1 = [0.51, 0.67, 0.721, 0.80,... % 代码比较长, 可以用连续3个点号回车换行
0.754, 0.721, 0.601] + 0.1;

hold on; % 如果多个结果图在一个Figure里面, 需要 hold on 命令
plot(x_value1, y_value1, '-+','MarkerSize',10,'LineWidth',2, 'Color','red');

% 需要标注区分两个结果图
table = legend('结果1','结果2');

grid on; % 打开网格命令

% hold off;

%% 多项式拟合
clear all;
% close all;
clc;

x = [26.3, 33.5, 39.1, 43.1, 47.0, 50.0, 54.5, 56.8, 64.9, 72.0, 77.0];
y = [8.85, 8.17, 7.49, 7.16, 6.81, 6.58, 6.21, 5.91, 5.48, 5.11, 5.98];
%多项式拟合
n = 1;
A = polyfit(x,y,n); % n是给定的多项式的次数，拟合出来的结果A是系数向量
y1 = polyval(A,x); % 计算出拟合的y值
figure, plot(x,y,'*','MarkerSize',10,'LineWidth',2, 'Color','blue'); %
hold on;
plot(x,y1,'-','MarkerSize',10,'LineWidth',2, 'Color','red'); % 画出数据对比图，黑点是原始数据，红线是拟合曲线
gtext('y=kx+b'); %将拟合得到的直线方程式画到当前Figure图里面

%% 直方图绘制
clear all;
% close all;
clc;
RE_value = rand(1000,1); % 随机生成1000个随机数
% 统计这1000个随机数的概率直方图, 标出直方图变化曲线(红色),并规定好X轴和Y轴的坐标范围
figure,histfit(RE_value), axis([-0.1 1.1 0 60]);
% 定义Title名字
ttl = title('Model1'); set(ttl,'Fontsize',20,'FontWeight','bold');
% 定义X和Y坐标的名字
xxl = xlabel('RE'); set(xxl,'Fontsize',20);
yyl = ylabel('Frequency'); set(yyl,'Fontsize',20);
set(gca, 'FontSize', 15);

求支持向量机算法MATLAB代码

qq_35324994

4个回复