基于matlab的svm分类预测实现
2017年第3期信息通信2017 (总第171 期）INFORMATION & COMMUNICATIONS (Sum. No 171)基于matlab的svm分类预测实现
屈玉涛,邓万宇
(西安邮电大学，陕西西安710061)
摘要：支持向量机(英文简称SVM)可以很好地应用在数据分类及预测上，由于SVM在数据挖掘中具有通用性好、有效 性、计算简单、理论完善等优点，所以得到了广泛的应用，文章利用matlab软件，基于S V M实现了对意大利葡萄酒的分 类和预测。
关键词:SVM;分类;预测
中图分类号:TP393 文献标识码:A文章编号：1673-1131(2017)03-0033-02
〇引言
随着数据种类的增多以及数量的增长，人工处理数据已 经变得不太现实。B P神经网络在过去获得了大量的应用，但 由于其具有收敛速度慢，容易陷入局部最小值得缺点,BP神经 网络并不能很好地处理实际中的问题。支持向量机是一种分 类算法，通过最大化不同数据之间边缘距离来提高学习及其 各种方面的能力，能够构建出更为精确的分类模型，另外，也 能够在统计取样较少的情况下，得出较好的统计规律，即，统 计样本少，统计规律良好。
1阐述支持向量机的具体情况
所谓支持向量机是Vapnik以及Corinna Cortes等人于 1995年首先提出的，它的应用范围广泛，较为突出的应用是在 非线性回归以及模式分类等方面。支持向量机的最本质的作 用就是把一个分类的超平面当作为决策曲面，这样就会让正 例以及反例之间的间隔被其最大边缘化。SV M被广泛地应用 在自然语言处理、计算机视觉和机器学习中。
支持向量机优点很多，最突出的表现在下面五个方面，一 是不需要进行微调整，即鲁棒性；二是具有很强的通用性，可 以在各种函数中来集中构造其函数；三是具有非常明显的有 效性，可以解决各种事迹问题，并且非常有效；四是涉及的理 论较为完善，具备V C推广性的理论构架;五是计算较为简单, 能够利用较为简单的优化计算就能够实现计算。
例如:SV M的目标函数如公式(1)所示：
r
f{x) = w
r".⑴=> :(〇? —〇l )K(x,,x) +b
i=1
其中w*代表的是一个d维的向量，b代表的是偏差。输 入数据X的一个非线性的映射。K为核函数，（a rai*)为拉格 朗日乘子，X为输入,Y为输出。
classnumber=3,记录的是类别数目；
wine，178*13的一个double型矩阵，记录178个样本的 13个属性；
wine lables，178*1的一个double型矩阵，记录178个样本的类标
2.2数据可视化图
wme数据的box可视化图Proline
00280/00315 of diluted v
Hue
Color intensitys
Proanthocyanms
Nonflavanoid phenols
Flavanoids
Total phenols
Magnesium
Alcalinity of ash
Ash
Malic acid
Alcohol
图i数据的可视化图
3模型的建立
3.1选定训练集与预测集
在这178个样本中，1?59属于第一类，60?130属于 第二类，131?178属于第三类。现将每个类别分成两组，重 新组合数据，分为训练集(train_wine)和测试集(test_wine)。
第一步:将第一类中的1 ^30样本，第二类中660至95 样本，第三类中的131-153样本当做其训练集
代码表示为：
trainwine= [wine(l:30,:);wine(60:95,:);wine(131:153,:)];
第二对其训练集的标签进行分离
2葡萄酒种类识别相关背景
Wine数据的来源是U CI数据库，记录的是意大利同一区 域上三种不同类型葡萄酒的化学成分分析，数据集里含有178 个样本，每个样本含有13个属性，即化学成分，将每个样本的 类别用标签进行标注，并且已经给出相应标签,，然后将178个 样本的一半看做一个训练集，而另一半当做一个测试集，然后 用这个训练集对SV M进行训练,进而得到其分类模型，再用 得到的模型对测试集进行类标签的预测。
2.1对相关数据进行测试
整体数据存储在wine_data，数据可以从U C I数据库中下 载，数据内容为：
代码表示为：
trainwinelabels =[wine_labels(l:30);wine_labels(60:95); wine_labels(131:153)];
^三步：将第一类中的31至59样本，第二类中的96至 130样本，第三类中的154至178样本当做其测试集 代码表示为：
test_wine= [wine(31:59,:);wine(96:130,:);wine(154:178,:)];
第四步:对其测试集的标签进行分离
代码表示为：
test wine labels =[wine_labels (31: 59); wine labels (96: 130);wine_labels(154:178)]
33