微信公众号商城网站开发,wordpress主机,论坛推广的步骤,网站建设服务的具体条件SVM分类器
1.命令函数部分#xff1a;
clear;%清屏
clc;
X load(data.txt);
n length(X);%总样本数量
y X(:,4);%类别标志
X X(:,1:3);
TOL 0.0001;%精度要求
C 1;%参数#xff0c;对损失函数的权重
b 0;%初始设置截距b
Wold 0;%未更新a时的W(a)
Wnew 0;%更新a后的…SVM分类器
1.命令函数部分
clear;%清屏
clc;
X load(data.txt);
n length(X);%总样本数量
y X(:,4);%类别标志
X X(:,1:3);
TOL 0.0001;%精度要求
C 1;%参数对损失函数的权重
b 0;%初始设置截距b
Wold 0;%未更新a时的W(a)
Wnew 0;%更新a后的W(a)
for i 1 : 50%设置类别标志为1或者-1y(i) -1;
end
a zeros(n,1);%参数a
for i 1 : n%随机初始化a,a属于[0,C]a(i) 0.2;
end%为简化计算减少重复计算进行的计算
K ones(n,n);
for i 1 :n%求出K矩阵便于之后的计算for j 1 : nK(i,j) k(X(i,:),X(j,:));end
end
sum zeros(n,1);%中间变量便于之后的计算sum(k)sigma a(i)*y(i)*K(k,i);
for k 1 : nfor i 1 : nsum(k) sum(k) a(i) * y(i) * K(i,k);end
endwhile 1%迭代过程%启发式选点
n1 1;%初始化n1,n2代表选择的2个点
n2 2;
%n1按照第一个违反KKT条件的点选择
while n1 nif y(n1) * (sum(n1) b) 1 a(n1) C a(n1) 0break;endif y(n1) * (sum(n1) b) 1 a(n1) ~ 0break;endif y(n1) * (sum(n1) b) 1 a(n1) ~Cbreak;endn1 n1 1;
end
%n2按照最大化|E1-E2|的原则选取
E1 0;
E2 0;
maxDiff 0;%假设的最大误差
E1 sum(n1) b - y(n1);%n1的误差
for i 1 : ntempSum sum(i) b - y(i);if abs(E1 - tempSum) maxDiffmaxDiff abs(E1 - tempSum);n2 i;E2 tempSum;end
end%以下进行更新
a1old a(n1);
a2old a(n2);
KK K(n1,n1) K(n2,n2) - 2*K(n1,n2);
a2new a2old y(n2) *(E1 - E2) / KK;%计算新的a2
%a2必须满足约束条件
S y(n1) * y(n2);
if S -1U max(0,a2old - a1old);V min(C,C - a1old a2old);
elseU max(0,a1old a2old - C);V min(C,a1old a2old);
end
if a2new Va2new V;
end
if a2new Ua2new U;
end
a1new a1old S * (a2old - a2new);%计算新的a1
a(n1) a1new;%更新a
a(n2) a2new;%更新部分值
sum zeros(n,1);
for k 1 : nfor i 1 : nsum(k) sum(k) a(i) * y(i) * K(i,k);end
end
Wold Wnew;
Wnew 0;%更新a后的W(a)
tempSum 0;%临时变量
for i 1 : nfor j 1 : ntempSum tempSum y(i )*y(j)*a(i)*a(j)*K(i,j);endWnew Wnew a(i);
end
Wnew Wnew - 0.5 * tempSum;
%以下更新b通过找到某一个支持向量来计算
support 1;%支持向量坐标初始化
while abs(a(support)) 1e-4 support nsupport support 1;
end
b 1 / y(support) - sum(support);
%判断停止条件
if abs(Wnew/ Wold - 1 ) TOLbreak;
end
end
%输出结果包括原分类辨别函数计算结果svm分类结果
for i 1 : nfprintf(第%d点:原标号 ,i);if i 50fprintf(-1);elsefprintf( 1);endfprintf( 判别函数值%f 分类结果,sum(i) b);if abs(sum(i) b - 1) 0.5fprintf(1\n);else if abs(sum(i) b 1) 0.5fprintf(-1\n);elsefprintf(归类错误\n);endend
end
2.名为f的功能函数部分:
function y k(x1,x2)y exp(-0.5*norm(x1 - x2).^2);
end
K-means算法代码
function [Idx, Center] K_means(X, xstart)
% K-means聚类
% Idx是数据点属于哪个类的标记Center是每个类的中心位置
% X是全部二维数据点xstart是类的初始中心位置len length(X); %X中的数据点个数
Idx zeros(len, 1); %每个数据点的Id即属于哪个类C1 xstart(1,:); %第1类的中心位置
C2 xstart(2,:); %第2类的中心位置
C3 xstart(3,:); %第3类的中心位置for i_for 1:100%为避免循环运行时间过长通常设置一个循环次数%或相邻两次聚类中心位置调整幅度小于某阈值则停止%更新数据点属于哪个类for i 1:lenx_temp X(i,:); %提取出单个数据点d1 norm(x_temp - C1); %与第1个类的距离d2 norm(x_temp - C2); %与第2个类的距离d3 norm(x_temp - C3); %与第3个类的距离d [d1;d2;d3];[~, id] min(d); %离哪个类最近则属于那个类Idx(i) id;end%更新类的中心位置L1 X(Idx 1,:); %属于第1类的数据点L2 X(Idx 2,:); %属于第2类的数据点L3 X(Idx 3,:); %属于第3类的数据点C1 mean(L1); %更新第1类的中心位置C2 mean(L2); %更新第2类的中心位置C3 mean(L3); %更新第3类的中心位置
endCenter [C1; C2; C3]; %类的中心位置%演示数据
%% 1 random sample
%随机生成三组数据
a rand(30,2) * 2;
b rand(30,2) * 5;
c rand(30,2) * 10;
figure(1);
subplot(2,2,1);
plot(a(:,1), a(:,2), r.); hold on
plot(b(:,1), b(:,2), g*);
plot(c(:,1), c(:,2), bx); hold off
grid on;
title(raw data);%% 2 K-means cluster
X [a; b; c]; %需要聚类的数据点
xstart [2 2; 5 5; 8 8]; %初始聚类中心
subplot(2,2,2);
plot(X(:,1), X(:,2), kx); hold on
plot(xstart(:,1), xstart(:,2), r*); hold off
grid on;
title(raw data center);[Idx, Center] K_means(X, xstart);
subplot(2,2,4);
plot(X(Idx1,1), X(Idx1,2), kx); hold on
plot(X(Idx2,1), X(Idx2,2), gx);
plot(X(Idx3,1), X(Idx3,2), bx);
plot(Center(:,1), Center(:,2), r*); hold off
grid on;
title(K-means cluster result);disp(xstart );
disp(xstart);
disp(Center );
disp(Center);
