MATLAB应用实战系列(四十四)-基于matlab的支持向量机分类回归问题(附源码解析)

Posted 文宇肃然

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了MATLAB应用实战系列(四十四)-基于matlab的支持向量机分类回归问题(附源码解析)相关的知识,希望对你有一定的参考价值。

Part.1

支持向量机(support vector machines)是一种二分类模型,它的目的是寻找一个超平面来对样本进行分割,分割的原则是间隔最大化,最终转化为一个凸二次规划问题来求解。

对于线性可分来说程序一大筐,今天我们主要来讲非线性问题。主要有二分类、一分类和回归问题的处理。

对于这样的问题,可以将训练样本从原始空间映射到一个更高维的空间,使得样本在这个空间中线性可分,如果原始空间维数是有限的,即属性是有限的,那么一定存在一个高维特征空间使样本可分。

令ϕ(x)表示将 x 映射后的特征向量,于是在特征空间中,划分超平面所对应的的模型可表示为:

f(x)=wTϕ(x)+b        

于是有最小化函数:

  

在实际应用中,通常人们会从一些常用的核函数里选择(根据样本数据的不同,选择不同的参数,实际上就得到了不同的核函数)。

Part.2

下面介绍每一个程序的思想。

核函数

首先是编写核函数:

function 

以上是关于MATLAB应用实战系列(四十四)-基于matlab的支持向量机分类回归问题(附源码解析)的主要内容,如果未能解决你的问题,请参考以下文章

MATLAB实战系列(三十四)-MATLAB基于PCA-LDA模糊神经网络的人脸识别

MATLAB应用实战系列(五十四)-MATLAB多维度绘图实战应用案例

MATLAB可视化实战系列(四十)-基于MATLAB 自带手写数字集的CNN(LeNet5)手写数字识别-图像处理(附源代码)

MATLAB应用实战系列(四十五)-matlab任意图形轮廓坐标提取含源代码

数学建模MATLAB应用实战系列(九十四)-PCA降维应用案例(附MATLAB代码)

MATLAB实战系列(二十四)-MATLAB粒子群(PSO)优化算法在电力系统中的应用程序集合