svm分类matlab代码（哪个版本的matlab有svmtrain）

本篇文章给大家谈谈svm分类matlab代码，以及哪个版本的matlab有svmtrain对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、matlab如何svm实现图像分类输出像素点
• 2、matlab中用svm如何做多类别分类(R2013a)？
• 3、求用matlab中svm工具箱对6组数据进行二分类的代码，说明，具体操作步骤，详细讲解，初学者能懂，有例子
• 4、求SVM多类分类问题的代码，最好是MATLAB的完整代码
• 5、SVM混合核函数matlab代码求助
• 6、如何对图像做分类器训练matlab代码

matlab如何svm实现图像分类输出像素点

matlab如何svm实现图像分类输出像素点，这里分享下操作方法。

设备：华硕笔记本

系统：win10

软件：matlab2012

1、首先双击桌面matlab图标，打开matlab软件。

2、然后在打开的软件中，点击左上角新建m文件。

3、然后输入如图所示的代码。

4、最后点击运行程序，即可输出两幅图像像素点。

matlab中用svm如何做多类别分类(R2013a)？

自带的只能两类分类。多类分类是基于两类SVM采用“一对一”、“一对多”方法进行分类，你可以去下载一个Libsvm工具箱安装在你的matlab里，这是台湾林智仁教授开发的svm工具箱（影响力非常大的工具箱），他采用的是一对一法进行多类分类！

求用matlab中svm工具箱对6组数据进行二分类的代码，说明，具体操作步骤，详细讲解，初学者能懂，有例子

题主说的svm工具箱是什么，libsvm吗？确定安装好了？别给了程序说不能运行就好玩了。

我没有数据不可能直接给你做好，但是可以给一个注释清楚的例子。

要求就是二分类，对吧？

至于怎么从txt里读数据就别问我了，我会在程序里随机生成测试数据。

求SVM多类分类问题的代码，最好是MATLAB的完整代码

建议楼主百度《matlab神经网络30个案例分析》，里面有四章关于SVM用于多分类和回归的，标准的matlab语言写的

SVM混合核函数matlab代码求助

SVM在matlab中实现：

首先需要MATLAB SVM Toolbox，将其中的文件解压并命名为svm。

将文件拷到E:\matlab\toolbox。

打开matlab点击set path----add folder ，然后把工具箱文件夹添加进去就可以了。

路径加进去后在file→Preferences→General的Toolbox Path Caching里点击update Toolbox Path Cache更新一下。

最后在matlab的命令栏中输入which svcoutput可以查看路径E:\matlab\toolbox\svm\svcoutput.m就可以了。

如何对图像做分类器训练matlab代码

对图像做分类器训练要建立视觉词袋来进行图像分类。该过程生成用来表示图像视觉词的直方图，通过这些直方图来训练图像分类器。下面的步骤描述如何建立图像集，建立视觉词袋，以及训练和运用图像分类器。

第一步：建立图像类别集合

将图像分割成训练子集和测试子集。利用imageDatastore函数来存储训练分类器的图像。可以利用splitEachLabel函数将图像分割成训练数据和测试数据。

读取类别图像和创建图像子集

setDir = fullfile(toolboxdir('vision'),'visiondata','imageSets');

imds = imageDatastore(setDir,'IncludeSubfolders',true,'LabelSource','foldernames');

分割图集成训练和测试子集。下例中，30%作为训练数据，余下的作为测试数据。

[trainingSet,testSet] = splitEachLabel(imds,0.3,'randomize');

第二步：建立特征词袋

通过从每个类别的有代表性的图像中提取特征描述符，创建视觉词汇表或特征包。

通过在训练集合中提取出的特征描述符上利用k-means聚类算法，bagOfFeatures对象定义特征，视觉词汇。该算法迭代地将描述符分成k个互斥簇。由此产生的簇是紧密的，并具有相似的特性。每个集群中心代表一个特征，或一个可视词。可以基于特征检测器提取特征，也可以定义一个网格来提取特征描述符。网格方法可能丢失细节信息。因此，对不包含明显特征的图像使用网格，例如海滩等景物的图像。使用Speed up robust features（或SURF）检测器提供更大的尺度不变性。默认情况下，该算法运行“网格”方法。

该算法工作流对图像进行整体分析。图像必须有适当的标签来描述它们所代表的类。例如，一组汽车图像可以被标记为汽车。工作流不依赖于空间信息，也不依赖于标记图像中的特定对象。视觉词袋技术依赖于非局部化的检测技术。

第三步：通过视觉词袋训练图像分类器

trainImageCategoryClassifier函数返回一个图像分类器。该方法使用基于2分类支持向量机（SVM）的error-correcting output codes(ECOC)框架来训练一个多分类器。

该方法利用bagOfFeatures对象返回的视觉词袋将图像集中的图像编码成视觉词直方图。然后将视觉词直方图作为训练分类器的正负样本。

1、将训练集中的每幅图像利用bagOfFeature的encode方法进行编码。该函数检测和提取图像中的特征，然后利用最近邻算法构造每个图像的特征直方图。函数将描述符逼近聚类中心来增加直方图各bin的数值。直方图的长度取决于bagOfFeatures对象构造的出来的视觉词的数量。最终将直方图作为图像的特征向量。

2、对训练集中的每幅图像重复步骤1，建立训练数据

3、评价分类器。在测试图像集上使用imagecategoryclassifier的evaluate方法测试分类器。输出混淆矩阵可以分析预测结果。理想的分类结果是对角线上包含一个标准矩阵。不正确的分类导致出现分数值。

第四步：对图像或图像集进行分类

最后使用imageCategoryClassifier 的predeict方法对新图像进行分类来确定其类型。

svm分类matlab代码的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于哪个版本的matlab有svmtrain、svm分类matlab代码的信息别忘了在本站进行查找喔。