【svm】matlab svm的可视化----使用quadprog 求解SVM对偶问题

最新推荐文章于 2022-11-29 16:04:21 发布

Haoqi_iu

最新推荐文章于 2022-11-29 16:04:21 发布

阅读量2.5k

点赞数 3

分类专栏： ML_SVM

本文链接：https://blog.csdn.net/baolang5032/article/details/110729669

版权

该博客介绍了如何使用MATLAB的quadprog函数解决SVM的对偶问题，包括数据可视化、高斯非线性核函数的应用，以及通过网格点阵分析SVM的决策边界。此外，还探讨了调整参数σ对准确度的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

matlab svm的可视化----使用quadprog 求解SVM对偶问题

2020年12月6日00:09:50

解决问题： matlab求解凸优化工具箱使用

SVM 的原始数据、支持向量、决策边界可视化

高斯非线性核函数

简单的调参过程

可优化扩展方向：其他经典模型的实现

其他核函数的实现

代码优化----减少循环嵌套

quadprog Quadratic programming.

code

main.m

clc;clear
%%
% main 
% 使用quadprog 求解凸优化实现 SVM-软间隔基本问题
% @author haoqi
% @version 1
% */
%% 载入数据
load('trainData.txt')
X = trainData(:,1:2);
X  = zscore(X); % 数据标准化
Y = trainData(:,3);

% 2-8 fold

X_test = X(ceil(length(X)*0.8):end,:)
Y_test = Y(ceil(length(X)*0.8):end,:)

X = X(1:ceil(length(X)*0.8),:);
Y = Y(1:length(X),:);


class1 = X((Y(:,1)==1),:);
class2 = X((Y(:,1)==-1),:);
[m n]=size(X);
%% 设置参数调整过程
c = [1 10 100 1000 ];
sigma = [0.001 0.01 0.1 1 10 ];
lambda = zeros(m,1,5,6);
b = zeros(1,5,6);
accuracy = zeros(4,5);
k = 0;% idx of subplot

%% 生成阵点
xx = linspace(min(X(:,1)),max(X(:,1)),50);
yy = linspace(min(X(:,2)),max(X(:,2)),50);
[x1,y1] = meshgrid(xx,yy);

for i=1:4
    for j=1:5
        k= k+1;
        [lambda(:,:,i,j) b(:,i,j)] = svm_dual(X,Y,c(i),sigma(j));
        W= lambda(:,:,i,j);
        subplot(4,5,k)
        %% plot orgin data
            
         scatter(class1(:,1),class1(:,2),'y','filled');
         hold on
         scatter(class2(:,1),class2(:,2),'b','filled');
         suppter_v_index = find(W>0.9); % support vectors(SVs)
         suppter_v = X(suppter_v_index,:);
         hold on

最低0.47元/天解锁文章