soporte - Ejemplo de 10 veces la clasificación de SVM en MATLAB

maquinas de soporte vectorial ejemplos

Question

Necesito un ejemplo descriptivo que muestre cómo hacer una clasificación SVM de 10 veces en un conjunto de datos de dos clases. solo hay un ejemplo en la documentación de MATLAB, pero no es 10 veces. ¿Alguien me puede ayudar?

Answer 1

Aquí hay un ejemplo completo, que utiliza las siguientes funciones de la Caja de herramientas de Bioinformática: SVMTRAIN , SVMCLASSIFY , CLASSPERF , CROSSVALIND .

load fisheriris                              %# load iris dataset
groups = ismember(species,''setosa'');         %# create a two-class problem

%# number of cross-validation folds:
%# If you have 50 samples, divide them into 10 groups of 5 samples each,
%# then train with 9 groups (45 samples) and test with 1 group (5 samples).
%# This is repeated ten times, with each group used exactly once as a test set.
%# Finally the 10 results from the folds are averaged to produce a single 
%# performance estimation.
k=10;

cvFolds = crossvalind(''Kfold'', groups, k);   %# get indices of 10-fold CV
cp = classperf(groups);                      %# init performance tracker

for i = 1:k                                  %# for each fold
    testIdx = (cvFolds == i);                %# get indices of test instances
    trainIdx = ~testIdx;                     %# get indices training instances

    %# train an SVM model over training instances
    svmModel = svmtrain(meas(trainIdx,:), groups(trainIdx), ...
                 ''Autoscale'',true, ''Showplot'',false, ''Method'',''QP'', ...
                 ''BoxConstraint'',2e-1, ''Kernel_Function'',''rbf'', ''RBF_Sigma'',1);

    %# test using test instances
    pred = svmclassify(svmModel, meas(testIdx,:), ''Showplot'',false);

    %# evaluate and update performance object
    cp = classperf(cp, pred, testIdx);
end

%# get accuracy
cp.CorrectRate

%# get confusion matrix
%# columns:actual, rows:predicted, last-row: unclassified instances
cp.CountingMatrix

con la salida:

ans =
      0.99333
ans =
   100     1
     0    49
     0     0

obtuvimos un 99.33% precisión con solo una instancia de ''setosa'' clasificada incorrectamente como ''no setosa''

ACTUALIZACIÓN : las funciones de SVM se han movido a la caja de herramientas Estadísticas en R2013a