【回归预测-lssvm分类】基于最小二乘支持向量机lssvm实现数据分类代码

%基于SVM的iris数据辨识 clear; clc; A=load(’irisdata.txt’); %导入数据 data = A(:,1:4); %1—4列数据是鸢尾花的4个特征：花萼和花瓣的长度和宽度 labels = A(:,5); %最后一列是属性标签。1代表山鸢尾（iris-setosa）， %2代表变色鸢尾（iris-versicolor），3代表维吉尼亚鸢尾（iris-virginica） %将第一类的1－20,第二类的51-70,第三类的101-120做为训练集 train_iris=[data(1:20,:);data(51:70,:);data(101:120,:)]; %相应的训练集的标签也要分离出来 train_iris_labels = [labels(1:20);labels(51:70);labels(101:120)]; %将第一类的21－50,第二类的71-100,第三类的121-150做为测试集 test_iris=[data(21:50,:);data(71:100,:);data(121:150,:)]; %相应的测试集的标签也要分离出来 test_iris_labels = [labels(21:50);labels(71:100);labels(121:150)]; %数据预处理 将训练集和测试集进行归一化处理 归一化到[0,1]区间 [mtrain,ntrain] = size(train_iris); [mtest,ntest] = size(test_iris); dataset = [train_iris;test_iris]; % mapminmax为MATLAB自带的归一化函数 [dataset_scale,ps] = mapminmax(dataset’,0,1) dataset_scale = dataset_scale’; train_iris = dataset_scale(1:mtrain,:); test_iris = dataset_scale( (mtrain+1):(mtrain+mtest),: ); % SVM网络训练 model = svmtrain(train_iris_labels, train_iris, ’-c 2 -g 1’); %% SVM网络预测 [predict_label,accuracy] = svmpredict(test_iris_labels,test_iris,model); figure; hold on; plot(test_iris_labels,’o’); plot(predict_label,’r*’); xlabel(’测试集样本’,’FontSize’,12); ylabel(’类别标签’,’FontSize’,12); legend(’实际测试集分类’,’预测测试集分类’); title(’测试集的实际分类和预测分类图’,’FontSize’,12); grid on; snapnow;