基于libsvm的支持向量机在MATLAB中的实现

一、环境准备

1. 工具箱安装

% 下载并安装libsvm-mat工具箱（推荐使用林教授版本）
% 解压后添加到MATLAB路径
addpath(genpath('libsvm-mat-2.91'));

% 验证安装
version -libsvm

2. 数据准备

% 加载示例数据（鸢尾花数据集）
load fisheriris
X = meas(:,1:2);  % 使用前两个特征
Y = grp2idx(species);  % 类别标签

% 数据标准化
[X_scaled, mu, sigma] = zscore(X);

---

二、核心SVM实现

1. 模型训练

% 基本训练代码
model = svmtrain(Y, X_scaled, '-t 2 -c 1 -g 0.1');

% 保存模型
save('svm_model.mat', 'model');

2. 模型预测

% 加载测试数据
load('test_data.mat');
X_test_scaled = zscore(X_test);

% 预测
[predict_label, accuracy, dec_values] = svmpredict(Y_test, X_test_scaled, model);

---

三、GUI开发实现

1. 界面设计（使用GUIDE）

% 创建GUI组件
fig = uifigure('Name','SVM GUI','Position',[100,100,600,400]);
btn_load = uibutton(fig,'Text','加载数据','Position',[20,300,100,30],'ButtonPushedFcn',@(btn,event) load_data());

% 数据展示区域
ax = uiaxes(fig,'Position',[0.2,0.2,0.6,0.6]);
xlabel(ax,'特征1'); ylabel(ax,'特征2');

% 参数设置面板
panel_params = uipanel(fig,'Title','参数设置','Position',[0.75,0.3,0.2,0.5]);
edit_c = uieditfield(panel_params,'numeric','Position',[10,20,80,25],'Label','C值:');
edit_gamma = uieditfield(panel_params,'numeric','Position',[10,50,80,25],'Label','Gamma:');

2. 回调函数实现

function load_data()
    % 数据加载回调
    [filename, pathname] = uigetfile({'*.mat','MAT文件';'*.csv','CSV文件'});
    if isequal(filename,0)
        return;
    end
    
    data = load(fullfile(pathname,filename));
    global X Y;
    X = data(:,1:end-1);
    Y = data(:,end);
    
    % 数据可视化
    gscatter(X(:,1), X(:,2), Y);
    title('原始数据分布');
end

function train_model()
    % 训练回调
    c = str2double(edit_c.Value);
    gamma = str2double(edit_gamma.Value);
    
    cmd = sprintf('-t 2 -c %f -g %f', c, gamma);
    model = svmtrain(Y, X, cmd);
    
    % 显示结果
    msgbox(sprintf('训练完成！准确率: %.2f%%', model.acc(1)));
end

---

四、关键功能扩展

1. 参数网格搜索

function grid_search()
    % 参数范围设置
    C_values = [0.1, 1, 10];
    gamma_values = [0.01, 0.1, 1];
    
    best_acc = 0;
    best_params = struct();
    
    for c = C_values
        for g = gamma_values
            cmd = sprintf('-t 2 -c %f -g %f', c, g);
            [~, ~, ~, acc] = svmpredict(Y, X, model, cmd);
            
            if acc(1) > best_acc
                best_acc = acc(1);
                best_params.C = c;
                best_params.Gamma = g;
            end
        end
    end
    
    % 显示最优参数
    msgbox(sprintf('最优参数: C=%.2f, Gamma=%.2f\n准确率=%.2f%%',...
        best_params.C, best_params.Gamma, best_acc));
end

2. 可视化模块

function plot_decision_boundary()
    % 绘制决策边界
    d = 0.02;
    [x1Grid, x2Grid] = meshgrid(min(X(:,1)):d:max(X(:,1)), ...
        min(X(:,2)):d:max(X(:,2)));
    grid = [x1Grid(:), x2Grid(:)];
    
    [~, scores] = svmpredict(zeros(size(grid,1),1), grid, model);
    [~, ~, ~, dec_values] = svmpredict(zeros(size(grid,1),1), grid, model);
    
    figure;
    gscatter(X(:,1), X(:,2), Y);
    hold on;
    contour(x1Grid, x2Grid, reshape(dec_values(:,2), size(x1Grid)), [0 0], 'k');
    title('SVM决策边界');
    legend('Location','best');
    hold off;
end

参考代码 基于libsvm的支持向量机在MATLAB文件及其在MATLAB上的GUI www.youwenfan.com/contentcsi/65365.html

五、工程化优化

1. 大数据集处理

% 分块训练（适用于>10万样本）
batch_size = 1000;
n_batches = ceil(size(X,1)/batch_size);

model = [];
for i = 1:n_batches
    start_idx = (i-1)*batch_size +1;
    end_idx = min(i*batch_size, size(X,1));
    X_batch = X(start_idx:end_idx,:);
    Y_batch = Y(start_idx:end_idx);
    
    model = svmtrain(Y_batch, X_batch, cmd, model);
end

2. GPU加速

% 使用gpuArray加速计算
if canUseGPU
    X_gpu = gpuArray(X_scaled);
    model = svmtrain(Y, X_gpu, cmd);
    model = gather(model);
end

---

六、典型应用案例

1. 图像分类（手写数字识别）

% 加载MNIST数据集
[X, Y] = load_mnist();

% 特征降维
[coeff, score, ~] = pca(X);
X_pca = score(:,1:20);

% 训练SVM模型
model = svmtrain(Y, X_pca, '-t 0 -c 10');

2. 生物信息学（基因表达数据分析）

% 加载基因数据
load('gene_expression.mat');

% 处理不平衡数据
pos_idx = find(Y==1); neg_idx = find(Y==0);
X_balanced = [X(pos_idx,:); X(neg_idx(1:1000),:)];
Y_balanced = [Y(pos_idx); Y(neg_idx(1:1000))];

% 加权SVM训练
model = svmtrain(Y_balanced, X_balanced, '-w1 10 -t 2');