load fisheriris

 data = [meas(:,), meas(:,)];

 groups = ismember(species,'setosa');

 [train, test] = crossvalind('holdOut',groups);

 cp = classperf(groups);

 svmStruct = svmtrain(data(train,:),groups(train),'showplot',true);

 classes = svmclassify(svmStruct,data(test,:),'showplot',true);

 classperf(cp,classes,test);

svmstruct = svmtrain(Training, Group)

Rows of TRAINING correspond to observations; columns correspond to features. Y is a column vector that contains the known class labels for TRAINING.

Y is a grouping variable, i.e., it can be a categorical, numeric, or logical vector; a cell vector of strings; or a character matrix with each row representing a

class label (see help for groupingvariable). Each element of Y specifies the group the corresponding row of TRAINING belongs to.

TRAINING and Y must have the same number of rows. SVMSTRUCT contains information about the trained classifier, including the support vectors, that

is used by SVMCLASSIFY for classification. svmtrain treats NaNs, empty strings or 'undefined' values as missing values and ignores the corresponding

rows in TRAINING and Y.

Group = svmclassify(SVMStruct, Sample)

>> help svmclassify
 svmclassify Classify data using a support vector machine
    GROUP = svmclassify(SVMSTRUCT, TEST) classifies each row in TEST using the support vector machine classifier structure SVMSTRUCT created
    using SVMTRAIN, and returns the predicted class level GROUP. TEST must have the same number of columns as the data used to train the

classifier in SVMTRAIN. GROUP indicates the group to which each row of TEST is assigned.
 
    GROUP = svmclassify(...,'SHOWPLOT',true) plots the test data TEST on the figure created using the SHOWPLOT option in SVMTRAIN.

-----------------------------------------------------------------------------------------------

-----------------------------------------------------------------------------------------------

利用libsvm做多分类问题的经典案例：

[y, x] = libsvmread('iris.scale.txt');
m = svmtrain(y, x, '-t 0');
test_y=[1;2;3];
test_x=[-0.555556 0.25 -0.864407 -0.916667;
0.444444 -0.0833334 0.322034 0.166667 ;
-0.277778 -0.333333 0.322034 0.583333 ];
[predict_label, accuracy, prob_estimates] = svmpredict(test_y, test_x, m);
数据：'iris.scale'可在Libsvm网站上有。共有三类。

iris.scale.txt 文档为：

 :-0.555556 :0.25 :-0.864407 :-0.916667

 :-0.666667 :-0.166667 :-0.864407 :-0.916667

 :-0.777778 :-0.898305 :-0.916667

 :-0.833333 :-0.0833334 :-0.830508 :-0.916667

 :-0.611111 :0.333333 :-0.864407 :-0.916667

 :-0.388889 :0.583333 :-0.762712 :-0.75

 :-0.833333 :0.166667 :-0.864407 :-0.833333

 :-0.611111 :0.166667 :-0.830508 :-0.916667

 :-0.944444 :-0.25 :-0.864407 :-0.916667

 :-0.666667 :-0.0833334 :-0.830508 :-

 :-0.388889 :0.416667 :-0.830508 :-0.916667

 :-0.722222 :0.166667 :-0.79661 :-0.916667

 :-0.722222 :-0.166667 :-0.864407 :-

 :- :-0.166667 :-0.966102 :-

 :-0.166667 :0.666667 :-0.932203 :-0.916667

 :-0.222222 : :-0.830508 :-0.75

 :-0.388889 :0.583333 :-0.898305 :-0.75

 :-0.555556 :0.25 :-0.864407 :-0.833333

 :-0.222222 :0.5 :-0.762712 :-0.833333

 :-0.555556 :0.5 :-0.830508 :-0.833333

 :-0.388889 :0.166667 :-0.762712 :-0.916667

 :-0.555556 :0.416667 :-0.830508 :-0.75

 :-0.833333 :0.333333 :- :-0.916667

 :-0.555556 :0.0833333 :-0.762712 :-0.666667

 :-0.722222 :0.166667 :-0.694915 :-0.916667

 :-0.611111 :-0.166667 :-0.79661 :-0.916667

 :-0.611111 :0.166667 :-0.79661 :-0.75

 :-0.5 :0.25 :-0.830508 :-0.916667

 :-0.5 :0.166667 :-0.864407 :-0.916667

 :-0.777778 :-0.79661 :-0.916667

 :-0.722222 :-0.0833334 :-0.79661 :-0.916667

 :-0.388889 :0.166667 :-0.830508 :-0.75

 :-0.5 :0.75 :-0.830508 :-

 :-0.333333 :0.833333 :-0.864407 :-0.916667

 :-0.666667 :-0.0833334 :-0.830508 :-

 :-0.611111 :-0.932203 :-0.916667

 :-0.333333 :0.25 :-0.898305 :-0.916667

 :-0.666667 :-0.0833334 :-0.830508 :-

 :-0.944444 :-0.166667 :-0.898305 :-0.916667

 :-0.555556 :0.166667 :-0.830508 :-0.916667

 :-0.611111 :0.25 :-0.898305 :-0.833333

 :-0.888889 :-0.75 :-0.898305 :-0.833333

 :-0.944444 :-0.898305 :-0.916667

 :-0.611111 :0.25 :-0.79661 :-0.583333

 :-0.555556 :0.5 :-0.694915 :-0.75

 :-0.722222 :-0.166667 :-0.864407 :-0.833333

 :-0.555556 :0.5 :-0.79661 :-0.916667

 :-0.833333 :-0.864407 :-0.916667

 :-0.444444 :0.416667 :-0.830508 :-0.916667

 :-0.611111 :0.0833333 :-0.864407 :-0.916667

 :0.5 :0.254237 :0.0833333

 :0.166667 :0.186441 :0.166667

 :0.444444 :-0.0833334 :0.322034 :0.166667

 :-0.333333 :-0.75 :0.0169491 :-4.03573e-08

 :0.222222 :-0.333333 :0.220339 :0.166667

 :-0.222222 :-0.333333 :0.186441 :-4.03573e-08

 :0.111111 :0.0833333 :0.254237 :0.25

 :-0.666667 :-0.666667 :-0.220339 :-0.25

 :0.277778 :-0.25 :0.220339 :-4.03573e-08

 :-0.5 :-0.416667 :-0.0169491 :0.0833333

 :-0.611111 :- :-0.152542 :-0.25

 :-0.111111 :-0.166667 :0.0847457 :0.166667

 :-0.0555556 :-0.833333 :0.0169491 :-0.25

 :-1.32455e-07 :-0.25 :0.254237 :0.0833333

 :-0.277778 :-0.25 :-0.118644 :-4.03573e-08

 :0.333333 :-0.0833334 :0.152542 :0.0833333

 :-0.277778 :-0.166667 :0.186441 :0.166667

 :-0.166667 :-0.416667 :0.0508474 :-0.25

 :0.0555554 :-0.833333 :0.186441 :0.166667

 :-0.277778 :-0.583333 :-0.0169491 :-0.166667

 :-0.111111 :0.288136 :0.416667

 :-1.32455e-07 :-0.333333 :0.0169491 :-4.03573e-08

 :0.111111 :-0.583333 :0.322034 :0.166667

 :-1.32455e-07 :-0.333333 :0.254237 :-0.0833333

 :0.166667 :-0.25 :0.118644 :-4.03573e-08

 :0.277778 :-0.166667 :0.152542 :0.0833333

 :0.388889 :-0.333333 :0.288136 :0.0833333

 :0.333333 :-0.166667 :0.355932 :0.333333

 :-0.0555556 :-0.25 :0.186441 :0.166667

 :-0.222222 :-0.5 :-0.152542 :-0.25

 :-0.333333 :-0.666667 :-0.0508475 :-0.166667

 :-0.333333 :-0.666667 :-0.0847458 :-0.25

 :-0.166667 :-0.416667 :-0.0169491 :-0.0833333

 :-0.0555556 :-0.416667 :0.38983 :0.25

 :-0.388889 :-0.166667 :0.186441 :0.166667

 :-0.0555556 :0.166667 :0.186441 :0.25

 :0.333333 :-0.0833334 :0.254237 :0.166667

 :0.111111 :-0.75 :0.152542 :-4.03573e-08

 :-0.277778 :-0.166667 :0.0508474 :-4.03573e-08

 :-0.333333 :-0.583333 :0.0169491 :-4.03573e-08

 :-0.333333 :-0.5 :0.152542 :-0.0833333

 :-1.32455e-07 :-0.166667 :0.220339 :0.0833333

 :-0.166667 :-0.5 :0.0169491 :-0.0833333

 :-0.611111 :-0.75 :-0.220339 :-0.25

 :-0.277778 :-0.416667 :0.0847457 :-4.03573e-08

 :-0.222222 :-0.166667 :0.0847457 :-0.0833333

 :-0.222222 :-0.25 :0.0847457 :-4.03573e-08

 :0.0555554 :-0.25 :0.118644 :-4.03573e-08

 :-0.555556 :-0.583333 :-0.322034 :-0.166667

 :-0.222222 :-0.333333 :0.0508474 :-4.03573e-08

 :0.111111 :0.0833333 :0.694915 :

 :-0.166667 :-0.416667 :0.38983 :0.5

 :0.555555 :-0.166667 :0.661017 :0.666667

 :0.111111 :-0.25 :0.559322 :0.416667

 :0.222222 :-0.166667 :0.627119 :0.75

 :0.833333 :-0.166667 :0.898305 :0.666667

 :-0.666667 :-0.583333 :0.186441 :0.333333

 :0.666667 :-0.25 :0.79661 :0.416667

 :0.333333 :-0.583333 :0.627119 :0.416667

 :0.611111 :0.333333 :0.728813 :

 :0.222222 :0.38983 :0.583333

 :0.166667 :-0.416667 :0.457627 :0.5

 :0.388889 :-0.166667 :0.525424 :0.666667

 :-0.222222 :-0.583333 :0.355932 :0.583333

 :-0.166667 :-0.333333 :0.38983 :0.916667

 :0.166667 :0.457627 :0.833333

 :0.222222 :-0.166667 :0.525424 :0.416667

 :0.888889 :0.5 :0.932203 :0.75

 :0.888889 :-0.5 : :0.833333

 :-0.0555556 :-0.833333 :0.355932 :0.166667

 :0.444444 :0.59322 :0.833333

 :-0.277778 :-0.333333 :0.322034 :0.583333

 :0.888889 :-0.333333 :0.932203 :0.583333

 :0.111111 :-0.416667 :0.322034 :0.416667

 :0.333333 :0.0833333 :0.59322 :0.666667

 :0.611111 :0.694915 :0.416667

 :0.0555554 :-0.333333 :0.288136 :0.416667

 :-1.32455e-07 :-0.166667 :0.322034 :0.416667

 :0.166667 :-0.333333 :0.559322 :0.666667

 :0.611111 :-0.166667 :0.627119 :0.25

 :0.722222 :-0.333333 :0.728813 :0.5

 : :0.5 :0.830508 :0.583333

 :0.166667 :-0.333333 :0.559322 :0.75

 :0.111111 :-0.333333 :0.38983 :0.166667

 :-1.32455e-07 :-0.5 :0.559322 :0.0833333

 :0.888889 :-0.166667 :0.728813 :0.833333

 :0.111111 :0.166667 :0.559322 :0.916667

 :0.166667 :-0.0833334 :0.525424 :0.416667

 :-0.0555556 :-0.166667 :0.288136 :0.416667

 :0.444444 :-0.0833334 :0.491525 :0.666667

 :0.333333 :-0.0833334 :0.559322 :0.916667

 :0.444444 :-0.0833334 :0.38983 :0.833333

 :-0.166667 :-0.416667 :0.38983 :0.5

 :0.388889 :0.661017 :0.833333

 :0.333333 :0.0833333 :0.59322 :

 :0.333333 :-0.166667 :0.423729 :0.833333

 :0.111111 :-0.583333 :0.355932 :0.5

 :0.222222 :-0.166667 :0.423729 :0.583333

 :0.0555554 :0.166667 :0.491525 :0.833333

 :-0.111111 :-0.166667 :0.38983 :0.416667

SVM实用操作： svmtrain and svmclassify的更多相关文章

  1. 提高开发效率的 Eclipse 实用操作

    工欲善其事,必先利其器.对于程序员来说,Eclipse便是其中的一个“器”.本文会从Eclipse快捷键和实用技巧这两个篇章展开介绍.Eclipse快捷键用熟后,不用鼠标,便可进行编程开发,避免鼠标分 ...

  2. Chrome 开发者工具实用操作

    Chrome 开发者工具实用操作 https://umaar.com/dev-tips/

  3. KiCAD实用操作

    KiCAD实用操作之一:自动编辑线宽 今天偶然间发现的一个比较实用的功能,算是KiCAD的一个优点吧(或许是在AD上面没发现):当整个PCB布完线或者在布线过程中,我们有可能需要对某个线的宽度进行调整 ...

  4. （原）Matlab的svmtrain和svmclassify

    转载请注明出处: http://www.cnblogs.com/darkknightzh/p/5554551.html 参考网址: http://www.cnblogs.com/zhangchaoya ...

  5. 能够提高开发效率的Eclipse实用操作

    工欲善其事,必先利其器.对于程序员来说,Eclipse便是其中的一个“器”.本文会从Eclipse快捷键和实用技巧这两个篇章展开介绍.Eclipse快捷键用熟后,不用鼠标,便可进行编程开发,避免鼠标分 ...

  6. 能够提高开发效率的 Eclipse 实用操作

    工欲善其事,必先利其器.对于程序员来说,Eclipse便是其中的一个“器”.本文会从Eclipse快捷键和实用技巧这两个篇章展开介绍.Eclipse快捷键用熟后,不用鼠标,便可进行编程开发,避免鼠标分 ...

  7. VS2019 实用操作

    本文列出了在编写程序过程中的几个非常实用的操作方式,通过这些操作方式,可以在一定程度上减少重复操作.提高编码效率.改善编程体验. 列模式操作 列操作是一项很常用且实用的功能,可以一次性修改不同的行. ...

  8. Netcat实用操作

    写久了web倦了,第n次开始尝试网络开发,于是熟悉一下常用工具. 尝试了一下netcat来测试服务器,或者充当客户端都异常好用.于是记录一下常用的一下命令 1. 充当服务器,或者客户端进行访问 通过n ...

  9. Myeclipse学习总结（8）——Eclipse实用操作

    工欲善其事,必先利其器.对于程序员来说,Eclipse便是其中的一个"器".本文会从Eclipse快捷键和实用技巧这两个篇章展开介绍.Eclipse快捷键用熟后,不用鼠标,便可进行 ...

随机推荐

  1. 移动设备和SharePoint 2013 - 第3部分：推送通知

    博客地址:http://blog.csdn.net/foxdave 原文地址 在该系列文章中,作者展示了SharePoint 2013最显著的新功能概观--对移动设备的支持. 该系列文章: 移动设备和 ...

  2. webservice发布在外网上的在system.web中加入这个就好使了

    <webServices>         <protocols>            <add name="HttpSoap"/>      ...

  3. ios oc ui 路径和颜色设置--崩溃解决方案

    - (id)init{ self = [super init]; if (self) { _lineColor = CGColorCreateCopy([UIColor whiteColor].CGC ...

  4. Json对象与Json字符串互转

    1>jQuery插件支持的转换方式: 复制代码 代码如下: $.parseJSON( jsonstr ); //jQuery.parseJSON(jsonstr),可以将json字符串转换成js ...

  5. 云数据库 Bmob

    /**************************************************************************************** * 云数据库 Bmo ...

  6. Ubuntu安装Sun JDK及如何设置默认java JDK

    假设系统为Ubuntu 10.10 64位.    先来看看当前的系统默认的java版本,及提供商.通过命令java -version       kemix@kemix-VB10-64:~$ jav ...

  7. 微软官方好用的Office 2003、 Office 2007 或 Office 2010 卸载工具

    http://support.microsoft.com/kb/2519420/zh-cn

  8. 四 GPU 并行编程的存储系统架构

    前言 在用 CUDA 对 GPU 进行并行编程的过程中,除了需要对线程架构要有深刻的认识外,也需要对存储系统架构有深入的了解. 这两个部分是 GPU 编程中最为基础,也是最为重要的部分,需要花时间去理 ...

  9. iOS学习笔记---C语言第五天

    二维数组   字符串数组   多维数组 二维数组的定义 类型  数组[常量表达式1][常量表达式2]={值1,值2...}; int a[2][3] = {7,8,3,2,8,5}; #import ...

  10. [转载] Python 列表(list)、字典(dict)、字符串(string)常用基本操作小结

    创建列表 sample_list = ['a',1,('a','b')] Python 列表操作 sample_list = ['a','b',0,1,3] 得到列表中的某一个值 value_star ...