SVM神经网络的数据分类预测--葡萄酒种类识别.docVIP

%% SVM神经网络的数据分类预测----意大利葡萄酒种类识别 % %% 清空环境变量 close all; clear; clc; format compact; %% 数据提取 % 载入测试数据wine,其中包含的数据为classnumber = 3,wine:178*13的矩阵,wine_labes:178*1的列向量 load chapter12_wine.mat; % 画出测试数据的box可视化图 figure; boxplot(wine,orientation,horizontal,labels,categories); title(wine数据的box可视化图,FontSize,12); xlabel(属性值,FontSize,12); grid on; % 画出测试数据的分维可视化图 figure subplot(3,5,1); hold on for run = 1:178 plot(run,wine_labels(run),*); end xlabel(样本,FontSize,10); ylabel(类别标签,FontSize,10); title(class,FontSize,10); for run = 2:14 subplot(3,5,run); hold on; str = [attrib ,num2str(run-1)]; for i = 1:178 plot(i,wine(i,run-1),*); end xlabel(样本,FontSize,10); ylabel(属性值,FontSize,10); title(str,FontSize,10); end % 选定训练集和测试集 % 将第一类的1-30,第二类的60-95,第三类的131-153做为训练集 train_wine = [wine(1:30,:);wine(60:95,:);wine(131:153,:)]; % 相应的训练集的标签也要分离出来 train_wine_labels = [wine_labels(1:30);wine_labels(60:95);wine_labels(131:153)]; % 将第一类的31-59,第二类的96-130,第三类的154-178做为测试集 test_wine = [wine(31:59,:);wine(96:130,:);wine(154:178,:)]; % 相应的测试集的标签也要分离出来 test_wine_labels = [wine_labels(31:59);wine_labels(96:130);wine_labels(154:178)]; %% 数据预处理 % 数据预处理,将训练集和测试集归一化到[0,1]区间 [mtrain,ntrain] = size(train_wine); [mtest,ntest] = size(test_wine); dataset = [train_wine;test_wine]; % mapminmax为MATLAB自带的归一化函数 [dataset_scale,ps] = mapminmax(dataset,0,1); dataset_scale = dataset_scale; train_wine = dataset_scale(1:mtrain,:); test_wine = dataset_scale( (mtrain+1):(mtrain+mtest),: ); %% SVM网络训练 model = svmtrain(train_wine_labels, train_wine, -c 2 -g 1); %% SVM网络预测 [predict_label, accuracy] = svmpredict(test_wine_labels, test_wine, model); %% 结果分析 % 测试集的实际分类和预测分类图 % 通过图可以看出只有一个测试样本是被错分的 figure; hold on; plot(test_wine_labels,o); plot(predict_label,r*); xlabel(测试集样本,FontSize,12); ylabel(类别标签,FontSize,12); legend(实际测试集分类,预测测试集分类); title(测试集的实际分类和预测分类图,FontSize,12); grid on;