SVM工具箱，用于数据的回归、预测以及分类

% 支持向量机用于多类模式分类 - 必须选择最优参数 gamsig2
% 工具箱：LS_SVMlab
% 使用平台：Matlab6.5
% 作者：陆振波，海军工程大学
% 欢迎同行来信交流与合作，更多文章与程序下载请访问我的个人主页
% 电子邮件：luzhenbo@yahoo.com.cn
% 个人主页：http://luzhenbo.88uu.com.cn

clc
clear
close all

%---------------------------------------------------
% 产生训练样本与测试样本，每一列为一个样本

n1 = [rand（35）rand（35）+1rand（35）+2];
x1 = [1*ones（15）2*ones（15）3*ones（15）];     % 特别注意：这里的目标与神经网络不同

n2 = [rand（31）];
x2 = [1*ones（11）];     % 特别注意：这里的目标与神经网络不同

xn_train = n1;          % 训练样本
dn_train = x1;          % 训练目标

xn_test = n2;           % 测试样本
dn_test = x2;           % 测试目标

%---------------------------------------------------
% 参数设置

X = xn_train‘;
Y = dn_train‘;
Xt = xn_test‘;
Yt = dn_test‘;

type = ‘c‘;
kernel_type = ‘RBF_kernel‘;
gam = 2;
sig2 = 2;

preprocess = ‘preprocess‘;
codefct = ‘code_MOC‘;           

% 将“多类”转换成“两类”的编码方案
% 1. Minimum Output Coding （code_MOC） 
% 2. Error Correcting Output Code （code_ECOC）
% 3. One versus All Coding （code_OneVsAll）
% 4. One Versus One Coding （code_OneVsOne） 

%---------------------------------------------------
% 编码

[Yccodebookold_codebook] = code（Ycodefct）;

%---------------------------------------------------
% 交叉验证优化参数

%[gamsig2] = tunelssvm（{XYctypegamsig2kernel_typepreprocess}）

%---------------------------------------------------
% 训练与测试

[alphab] = trainlssvm（{XYctypegamsig2kernel_typepreprocess}）;           % 训练
Yd0 = simlssvm（{XYctypegamsig2kernel_typepreprocess}{alphab}Xt）;      % 分类

%---------------------------------------------------
% 解码

Yd = code（Yd0old_codebook[]codebook）;

%---------------------------------------------------
% 结果统计

Result = ~abs（Yd-Yt）               % 正确分类显示为1
Percent = sum（Result）/length（Result）   % 正确分类率

%---------------------------------------------------
% 注意：以这两种写法等价

% -- 1 --
% [Yccodebookold_codebook] = code（Y codefct）
% [alpha b] = trainlssvm（{XYctypegamsig2kernelpreprocess}）
% Yd0 = simlssvm（{XYctypegamsig2kernel} {alphab} Xt）
% Yd = code（Yd0old_codebook[]codebook）

% -- 2 --
% model = initlssvm（XYtypegamsig2kernelpreprocess）
% model = changelssvm（model‘codetype‘codefct）
% model = trainlssvm（model）
% Yd = simlssvm（model Xt）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       2523  2007-05-25 14:37  SVM工具箱Classification_LS_SVMlab.m

     文件       2075  2007-03-15 14:09  SVM工具箱Classification_OSU_SVM.m

     文件       2351  2007-03-15 14:09  SVM工具箱Classification_stprtool.m

     文件       1542  2007-03-15 14:09  SVM工具箱Classification_SVM_SteveGunn.m

     文件       2117  2008-10-05 19:36  SVM工具箱Regression_SVM_SteveGunn.m

     文件       5148  2007-01-06 11:20  SVM工具箱四种支持向量机工具箱使用要点.txt

     文件        655  2007-03-15 14:09  SVM工具箱文件夹说明.txt

     文件       2738  2003-02-21 22:39  SVM工具箱LS_SVMlabAFE.m

     文件       5785  2003-02-21 22:39  SVM工具箱LS_SVMlabay_errorbar.m

     文件       2003  2003-02-21 22:39  SVM工具箱LS_SVMlabay_initlssvm.m

     文件      10345  2003-02-21 22:39  SVM工具箱LS_SVMlabay_lssvm.m

     文件       8187  2003-02-21 22:39  SVM工具箱LS_SVMlabay_lssvmARD.m

     文件       9358  2003-02-21 22:39  SVM工具箱LS_SVMlabay_modoutClass.m

     文件       5977  2003-02-21 22:39  SVM工具箱LS_SVMlabay_optimize.m

     文件       4178  2003-02-21 22:39  SVM工具箱LS_SVMlabay_rr.m

     文件        164  2005-04-15 21:53  SVM工具箱LS_SVMlabuffer.mc

     文件       5632  2003-02-21 22:39  SVM工具箱LS_SVMlabchangelssvm.m

     文件       4245  2005-04-15 19:10  SVM工具箱LS_SVMlabcode.asv

     文件       4245  2005-04-15 19:11  SVM工具箱LS_SVMlabcode.m

     文件       2118  2003-02-21 22:39  SVM工具箱LS_SVMlabcodedist_bay.m

     文件        756  2003-02-21 22:39  SVM工具箱LS_SVMlabcodedist_hamming.m

     文件       2018  2003-02-21 22:39  SVM工具箱LS_SVMlabcodedist_loss.m

     文件       4125  2003-02-21 22:39  SVM工具箱LS_SVMlabcodelssvm.m

     文件       5197  2003-02-21 22:39  SVM工具箱LS_SVMlabcode_ECOC.m

     文件        550  2003-02-21 22:39  SVM工具箱LS_SVMlabcode_MOC.m

     文件        364  2003-02-21 22:39  SVM工具箱LS_SVMlabcode_OneVsAll.m

     文件        555  2003-02-21 22:39  SVM工具箱LS_SVMlabcode_OneVsOne.m

     文件         32  2003-03-20 09:24  SVM工具箱LS_SVMlabContents.m

     文件       8174  2003-02-21 22:39  SVM工具箱LS_SVMlabcrossvalidate.m

     文件       1886  2003-02-21 22:39  SVM工具箱LS_SVMlabdeltablssvm.m

............此处省略426个文件信息