2025年模式识别课程实战上机实验综合训练报告

班级：电信111.掌握支持向量机(SVM)的原理、核函数类型选择以及核参数选择原则等；labelindex1:valuelindex2:value2...其中对于分类来说label为类标识，指定数据的种类；对于回归来说label为目的值。(我重要要用到回归)Index是从1开始的自然数，value是每一维的特性值。先将数据按照下列格式寄存(注意label放最背面):valuelvalue2labvaluelvalue2lab然后将以上数据粘贴到FormatDataLibsvm.xls中的最左上角单元格，接着工具->宏执行行FormatDataToLibsvm宏。就可以得到libsvm规定的数据格式。将该数据寄存到文本文献中进行下一步的处理。该过程要用到libsvm软件包中的svm-scale.exe=1,没有对y进行缩放)其中，-1:数据下限标识；lower:缩放后数据下限；-u:数据上限标识；upper:缩放后数据上限；-y:与否对目的值进行缩放，因此该参数可以设定为-y-11)-ssave_:表达将缩放的规则保留为文献save_;-rrestore_:表达将缩放规则文献restore_载入后按此缩放；:待缩放的数据文献(规定满足前面所述的格式)。y其中的lower与upper与使用时所设置的lower与upper含义相似；index表示特性序号；min转换前该特性的最小值；max转换前该特性的最大值。数据集的缩放成果在此状况下通过DOS窗(Value-lower)*(max-min)/(upper-lower)+lower其中value为归一化后的值，其他参数使用方法：svmtrain[options]training_set_file[其中，options(操作参数):可用的选项即表达的涵义如下所示-ssvm类型：设置SVM类型，默认值为0,可选类型有(对于回归只能选3或4):0--C-SVC1--n-SVC2--one-class-SVM3--e-SVR核函数类型：设置核函数类型，默认值为2,可选类型有：0--线性核：u'*v1--多-gg:设置核函数中的g,默认值为1/k;-rcoef0:设置核函数中的coef0,默认值为0;-ccost:设置C-SVC、e-SVR、n6-SVR中从惩罚系数C,默认值为1;-nn:设置n-SVC、one-class-SVM与n-SVR中参数n,默认值0.5;-pe:设置n-SVR的损失函数中的e,默认值为0.1;-mcachesize:设置cache内存大小，以MB为单位，默认值为40;-ee:设置终止准则中的可容忍偏差，默认值为0.001;-hshrinking:与否使用启发式，可选值为0或1,默认值为1;-b概率估计：与否计算SVC或SVR的概率估计，可选值0或1,默认0;-wiweight:对各类样本的惩罚系数C加权，默认值为1;-vn:n折交叉验证模式。其中-g选项中的k是指输入数据中的属性数。操作参数-v随机地将数据剖分为n部分并计算交叉检查精确度和均方根误差。以上这些参数设置可以按照SVM的类参数在函数或SVM类型中没有也不会产生采用默认值。training_set_file是要进行训练的数据集；model_file是训练结束后产生的模型文献，该参数假如本试验中的参数-s取3,-t取2(默认)还需确定的参数是-c,-g,-p另，试验中所需调整的重要参数是-c和-g,-c和-g的调整除了自己根据经验试之外，还可以使用gridregression.py对这两个参数进行优化。(需要补充)该优化过程需要用到Python(2.5),Gnuplot(4.2),gridregression.py(该文献需要修改途径)。python.exegridregression.py-log2c-10,10,1-log2g-10,10E:\libsvm\libsvm-2.86\windows\svm--gnuplotE:libsvmlibsvm-2.86\gnuplot\bin\pgnuplot.exeE:\libsvm\libsvm-2.86\windows\train.txt>gridregression_feature.p-log2c是给出参数c的范围和步长-log2g是给出参数g的范围和步长-log2p是给出参数p的范围和步长上面三个参数可以用默认范围和步长-s选择SVM类型，也是只能选3或者4-t是选择核函数-v10将训练数据提成10份做交叉验证。默认为5为了以便将gridregression.py是寄存在python.exe安装目录下搜索结束后可以在gridregression_feature.parameter中最终一行看到最其中，最终一行的第一种参数即为-c,第二个为-g,第三个为-p,最终一种参数为均方误差。前三个参数可以使用方法：svmpredict[options]test_output_(操作参数):-bprobability_estimates:与否需要进行概率估计预测，可选值为0或者1,默认值为0。model_file是由svmtrain产生的模型文献；test_file是要进行预测的数据文献；output_file是svmpredict的输出成果包括均方误差(Meansquarederror)和有关系数(Squaredcorrelationcoefficient)。2.Matlab仿真软件一7.0/7.1/a等版本的Matlab软件。四、试验原理使用svm-scale对数据进行缩放是必要的。由于合适的scale有助于参数的选用和建svm模型的速度。svm-scale会对value做scale。范围用-1,-u指定，一般是[0,1],或是[-1,1]。(文本分类一般选[0,1])。翰出在stdout。此外要注意的是testingdata和trainingdata要一起scale。而svm-scale最难用的地方就是没措施指定testingdata/trainingdata为同一文档，然后一起scale。因此为了背面测试，还要对测试集进行scale。五、试验数据及成果分析：训练样本识别率1(%)测试样本识别$/(%)Svmtoy输出图形clear;%清屏n=length(X);%总样本数量y=X(:,4);%类别标志b=0;%初始设置截距bfori=1:50%设置类别标志为1或者-1a=zeros(n,1);%参数a%为简化计算，减少反复计算进行的计算fori=1:n%求出K矩阵，便于之后的计算sum(k)=sum(k)+a(i)*%启发式选点nl=1;%初始化，n1,n2代表选择的2个点%n1按照第一种违反KKT条件的点选择whilenl<=nify(n1)*(sum(n1)+b)==1&&a(n1)>=C&&a(n1)<=0ify(n1)*(sum(n1)+b)>1&&a(n1)~=0ify(n1)*(sum(n1)+b)<1&&a(n1)~=CE1=sum(n1)+b-y(n1);%n1的误差ifabs(E1-tempSum)>maxDiffmaxDiff=abs(E1-temp%如下进行更新KK=K(n1,n1)+K(n2,n2)-2*K(n1a2new=a2old+y(n2)*(E1-E2)/KK;%计算新的a2%a2必须满足约束条件ifS==-1U=max(0,alold+a2oldifa2new>Vifa2new<Ualnew=alold+S*(a2old-a2new);%计算新的ala(n1)=alnew;%更新a%更新部分值sum(k)=sum(k)+a(i)*tempSum=tempSum+y(i)*y(j)*a(i)*a(j)%如下更新b:通过找到某一种支持向量来计算support=1;%支持向量坐标初始化whileabs(a(support))<le-4b=1/y(support)-sum(support%判断停