matlab怎么优化支持向量机的分类

通过交叉验证方法利用训练集找到分类的最佳参数，不但能够高淮确率的预测训练集而且要合理的预测测试集，使得测试集的分类准确率也维持在一个较高水平，即使得得到的SVM分类器的学习能力和推广能力保持一个平衡.避免过学习和欠学习状況发生。

交叉验证方法就是让c和g在一定的范围内取值，对于取定得c和g把训练集作为原始数裾集利用K - CV方法得到在此组c和g下训练集验证分类准确率，最终取使得训练集验证分类准确率最高的那组c和g做为最佳的参数，但有一个问题就是可能会有多组的c和g对应于最高的验证分类准确率，这种情况怎么处理？这里采用的手段是选取能够适到最高验证分类准确率巾参数r最小的那组c和g做为最佳的参数，如果对应最小的c有多组g，就选取搜索到的第一组c和g做为最佳的参数。这样做的理由是：过高的c会导致过学习状态发生，即训练集分类准确率很高而测试集分类准确率很低（分类器的泛化能力降低），所以在能够达到最高验证分类准确率中的所有的成对的c和g中认为较小的惩罚参数c是更佳的选择对象。

%% 清空环境变量

clear

clc

%% 导入数据

load BreastTissue_data.mat

% 随机产生训练集和测试集

n = randperm(size(matrix,1));

% 训练集——80个样本

train_matrix = matrix(n(1:80),:);

train_label = label(n(1:80),:);

% 测试集——26个样本

test_matrix = matrix(n(81:end),:);

test_label = label(n(81:end),:);

%% 数据归一化

[Train_matrix,PS] = mapminmax(train_matrix');

Train_matrix = Train_matrix';

Test_matrix = mapminmax('apply',test_matrix',PS);

Test_matrix = Test_matrix';

%% SVM创建/训练(RBF核函数)

% 寻找最佳c/g参数——交叉验证方法

[c,g] = meshgrid(-10:0.2:10,-10:0.2:10);

[m,n] = size(c);

cg = zeros(m,n);

eps = 10^(-4);

v = 5;

bestc = 1;

bestg = 0.1;

bestacc = 0;

for i = 1:m

    for j = 1:n

        cmd = ['-v ',num2str(v),' -t 2',' -c ',num2str(2^c(i,j)),' -g ',num2str(2^g(i,j))];

        cg(i,j) = svmtrain(train_label,Train_matrix,cmd);     

        if cg(i,j) > bestacc

            bestacc = cg(i,j);

            bestc = 2^c(i,j);

            bestg = 2^g(i,j);

        end        

        if abs( cg(i,j)-bestacc )<=eps && bestc > 2^c(i,j) 

            bestacc = cg(i,j);

            bestc = 2^c(i,j);

            bestg = 2^g(i,j);

        end               

    end

end

cmd = [' -t 2',' -c ',num2str(bestc),' -g ',num2str(bestg)];

% 创建/训练SVM模型

model = svmtrain(train_label,Train_matrix,cmd);

%% SVM仿真测试

[predict_label_1,accuracy_1] = svmpredict(train_label,Train_matrix,model);

[predict_label_2,accuracy_2] = svmpredict(test_label,Test_matrix,model);

result_1 = [train_label predict_label_1];

result_2 = [test_label predict_label_2];

%% 绘图

figure

plot(1:length(test_label),test_label,'r-*')

hold on

plot(1:length(test_label),predict_label_2,'b:o')

grid on

legend('真实类别','预测类别')

xlabel('测试集样本编号')

ylabel('测试集样本类别')

string = {'测试集SVM预测结果对比(RBF核函数)';

          ['accuracy = ' num2str(accuracy_2(1)) '%']};

title(string)