svmtrainmatlab代码（svm代码实现）

本篇文章给大家谈谈svmtrainmatlab代码，以及svm代码实现对应的知识点，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、matlab2018 错误使用 svmtrain (line 230)
• 2、如何在MATLAB中添加SVM函数工具箱
• 3、《matlab神经网络30个案例分析》 第13章的SVM参数优化用的是什么方法? 代码如下
• 4、matlab svmtrain如何使用的？急求！！！

matlab2018 错误使用 svmtrain (line 230)

新版本中svmtrain已经被废弃了，用fitcsvm代替了。你装了libsvm，但是matlab默认的是软件自带的那个svmtrain,所以会提示报错，你把名字改了之后要添加到路径中才可以正常使用

如何在MATLAB中添加SVM函数工具箱

matlab是有自己自带的svm函数的，不过做得不是很强，你可以另外下载网上其他人开发的svm函数工具箱，放到matlab自己的的tool文件夹里面，在命令窗口打

addpath(genpath(D:\MATLAB6p5\toolbox\svm));

前面的路径是你的matlab的路径

matlab自带的svm函数是svmtrain

svmtrain Train a support vector machine classifier

SVMSTRUCT = svmtrain(TRAINING, Y) trains a support vector machine (SVM)

classifier on data taken from two groups. TRAINING is a numeric matrix

of predictor data. Rows of TRAINING correspond to observations; columns

correspond to features. Y is a column vector that contains the known

class labels for TRAINING. Y is a grouping variable, i.e., it can be a

categorical, numeric, or logical vector; a cell vector of strings; or a

character matrix with each row representing a class label (see help for

groupingvariable). Each element of Y specifies the group the

corresponding row of TRAINING belongs to. TRAINING and Y must have the

same number of rows. SVMSTRUCT contains information about the trained

classifier, including the support vectors, that is used by SVMCLASSIFY

for classification. svmtrain treats NaNs, empty strings or 'undefined'

values as missing values and ignores the corresponding rows in

TRAINING and Y.

SVMSTRUCT = svmtrain(TRAINING, Y, 'PARAM1',val1, 'PARAM2',val2, ...)

《matlab神经网络30个案例分析》 第13章的SVM参数优化用的是什么方法? 代码如下

这就是用的grid search的原理啊，

定义好c g搜索的网格，然后一个个的试，取交叉验证精度最高的g c值作为寻优的参数结果

matlab svmtrain如何使用的？急求！！！

如果当前目录在libsvm下，那么就会调用libsvm的svmtrain

自带的svmtrain的调用格式和libsvm的svmtrain的格式是不一样的，自带的格式是SVMStruct = svmtrain(‘训练矩阵’，‘训练标签’ 'Showplot',ShowplotValue, ...)

而libsvm的格式需要把标签写在第一个参数，若想使用自带的，那么把libsvm的路径从搜索路径中删除

即set path然后remove，并且把当前目录切换到toolbox下。

关于svmtrainmatlab代码和svm代码实现的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。