支持向量机SVM的MATLAB分类预测实现

支持向量机(Support Vector Machine,SVM)是一种有监督的机器学习算法,广泛应用于分类和回归问题。

理论简介

线性可分SVM

原理 :对于线性可分的数据集,SVM的目标是找到一个超平面,能将不同类别的数据点尽可能分开,使两类数据点到超平面的距离最大化。这个超平面可以用方程,w是超平面法向量,b是偏置项

线性SVM(软间隔)

  • 原理 :当数据不是完全线性可分时,引入松弛变量,允许一些数据点在一定程度上违反间隔约束,目标是在最大化间隔和最小化分类错误之间找到平衡。

非线性SVM

原理 :对于非线性可分的数据,通过一个非线性映射将原始数据映射到一个高维特征空间,使得在高维空间中数据变得线性可分,然后在这个高维空间中应用线性SVM的方法。

决策函数

  • 原理:训练得到SVM模型后,用于对新数据进行分类的函数。

  • %% 清空环境变量
    clc % 清空命令行
    clear % 清空变量
    warning off % 关闭报警信息
    close all % 关闭开启的图窗
    %% 导入数据
    % res = xlsread('数据集.xlsx');
    res = xlsread('Long-Term Deflection of Reinforced Concrete Beams_New.xlsx');
    [Num, Dim] = size(res); % 获取数据样本点个数Num和变量维度Dim
    %% 划分训练集和测试集
    rng(2048)
    temp = randperm(Num);
    P_train = res(temp(1: round(Num0.8)), 1: Dim-1)'; % 80%用于训练
    T_train = res(temp(1: round(Num
    0.8)), Dim)'; % 80%用于训练
    M = size(P_train, 2); % 训练集样本点个数

    P_test = res(temp(round(Num0.8)+1: end), 1: Dim-1)'; % 20%用于测试
    T_test = res(temp(round(Num
    0.8)+1: end), Dim)'; % 20%用于测试
    N = size(P_test, 2); % 测试集样本点个数

    %% 数据归一化
    [p_train, ps_input] = mapminmax(P_train, 0, 1); % 训练集输入数据归一化到[0 1]之间
    p_test = mapminmax('apply', P_test, ps_input); % 测试集输入数据归一化

    [t_train, ps_output] = mapminmax(T_train, 0, 1); % 训练集输出数据归一化到[0 1]之间
    t_test = mapminmax('apply', T_test, ps_output); % 测试集输出数据归一化到[0 1]之间

    %% 转置以适应模型
    p_train = p_train'; p_test = p_test';
    t_train = t_train'; t_test = t_test';

    %% 创建模型
    c = 4.0; % 惩罚因子
    g = 0.8; % 径向基函数参数
    cmd = [' -t 2',' -c ',num2str(c),' -g ',num2str(g),' -s 3 -p 0.01'];
    model = svmtrain(t_train, p_train, cmd);

    %% 仿真预测
    [t_sim1, error_1] = svmpredict(t_train, p_train, model);
    [t_sim2, error_2] = svmpredict(t_test , p_test , model);

    %% 数据反归一化
    T_sim1 = mapminmax('reverse', t_sim1, ps_output);
    T_sim2 = mapminmax('reverse', t_sim2, ps_output);

    %% 均方根误差
    error1 = sqrt(sum((T_sim1' - T_train).^2) ./ M);
    error2 = sqrt(sum((T_sim2' - T_test ).^2) ./ N);

    %% 绘图
    figure
    plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
    legend('真实值', '预测值')
    xlabel('预测样本')
    ylabel('预测结果')
    string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};
    title(string)
    xlim([1, M])
    grid

    figure
    plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
    legend('真实值', '预测值')
    xlabel('预测样本')
    ylabel('预测结果')
    string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]};
    title(string)
    xlim([1, N])
    grid

    %% 相关指标计算
    % R2
    R1 = 1 - norm(T_train - T_sim1')^2 / norm(T_train - mean(T_train))^2;
    R2 = 1 - norm(T_test - T_sim2')^2 / norm(T_test - mean(T_test ))^2;

    disp(['训练集数据的R2为:', num2str(R1)])
    disp(['测试集数据的R2为:', num2str(R2)])

    % MAE
    mae1 = sum(abs(T_sim1' - T_train)) ./ M ;
    mae2 = sum(abs(T_sim2' - T_test )) ./ N ;

    disp(['训练集数据的MAE为:', num2str(mae1)])
    disp(['测试集数据的MAE为:', num2str(mae2)])

    % MBE
    mbe1 = sum(T_sim1' - T_train) ./ M ;
    mbe2 = sum(T_sim2' - T_test ) ./ N ;

    disp(['训练集数据的MBE为:', num2str(mbe1)])
    disp(['测试集数据的MBE为:', num2str(mbe2)])

    %% 绘制散点图
    sz = 25;
    c = 'b';

    figure
    scatter(T_train, T_sim1, sz, c)
    hold on
    plot(xlim, ylim, '--k')
    xlabel('训练集真实值');
    ylabel('训练集预测值');
    xlim([min(T_train) max(T_train)])
    ylim([min(T_sim1) max(T_sim1)])
    title('训练集预测值 vs. 训练集真实值')

    figure
    scatter(T_test, T_sim2, sz, c)
    hold on
    plot(xlim, ylim, '--k')
    xlabel('测试集真实值');
    ylabel('测试集预测值');
    xlim([min(T_test) max(T_test)])
    ylim([min(T_sim2) max(T_sim2)])
    title('测试集预测值 vs. 测试集真实值')

相关推荐
code2cat3 分钟前
【随笔】MCP长任务:查询已经返回,为什么任务还没有完成
javascript·人工智能·后端·mcp
玄魂25 分钟前
小红书/抖音图文排版利器——一个杂志风skill
人工智能·agent·视觉设计
写标小何1 小时前
AI 标书工具技术架构解析:从文件解析到排版导出的工程实践
人工智能
敖老师1 小时前
DeepSeek Harness Web 版从装到用:dsh web 启动、接入本地 Ollama 全流程
人工智能
阿里云大数据AI技术1 小时前
DataWorks AI 数据生成:一条配置,量产多行业的仿真级业务数据
人工智能
QA老兵的AI实战手记1 小时前
别再用人工盯 AI 幻觉了:我手搓了一套带“代码审查拦截”的 AI 效能大屏(附源码)
人工智能
火山引擎开发者社区1 小时前
APMPlus・看得见的 Agent(三) | Agent 说完成,结果却不对?APMPlus Agent 轨迹帮你查清执行过程
人工智能
羲云网络1 小时前
Claude Fable 5.2 创意编程分析:程序化生成、多智能体协作与工程验收
人工智能·大语言模型·blender·游戏开发
Linye1 小时前
HTML 流程图连线交叉看不清?聊聊画布避障折线与跳弧实现
前端·人工智能
weixin_469163692 小时前
金融租赁项目管理:维普时代以混合模型+AI实现管控与效率兼得
人工智能·金融