关于SVM神经网络中svmtrain函数的一个小问题

zzz.dan

close all;
; I5 J+ u( d; {4 U7 Vclear;
  u" e( ?% F1 s! jclc;
8 D- f) b, X. H- {3 Iformat compact;
. B1 b4 A# Y+ C: ~7 M# s, L
% m2 U4 d- T- `7 A: f+ D  T9 Y$ A% 载入测试数据wine,其中包含的数据为classnumber = 3,wine:178*13的矩阵,wine_labes:178*1的列向量
load chapter12_wine.mat;
; U6 @2 Y4 w& s* U
: m2 ^, M0 w+ w, V' y& r/ w% 画出测试数据的box可视化图
/ D9 @; l& ?7 u, e& ]- tfigure;
boxplot(wine,'orientation','horizontal','labels',categories);
title('wine数据的box可视化图','FontSize',12);
xlabel('属性值','FontSize',12);
grid on;

% 画出测试数据的分维可视化图
figure
) v% @3 e6 n7 Z4 |+ [6 G  \subplot(3,5,1);
hold on
for run = 1:178
' W% E9 b2 t2 r& Y& B    plot(run,wine_labels(run),'*');
. x3 E; T' p  a( B' H: Z% v/ Pend
2 O9 _" l, S$ j, I- Vxlabel('样本','FontSize',10);
ylabel('类别标签','FontSize',10);
title('class','FontSize',10);
for run = 2:14
    subplot(3,5,run);
2 v0 h0 o6 K* }: c# c    hold on;
    str = ['attrib ',num2str(run-1)];
    for i = 1:178
        plot(i,wine(i,run-1),'*');
6 u9 O) q% W. @" F0 d    end
    xlabel('样本','FontSize',10);
    ylabel('属性值','FontSize',10);
    title(str,'FontSize',10);
end

% 选定训练集和测试集
1 W: a2 K& o) D( V" [; A3 t
) `( Y5 }/ S7 Q+ S% 将第一类的1-30,第二类的60-95,第三类的131-153做为训练集
9 A. n. x& D0 j3 ftrain_wine = [wine(1:30,;wine(60:95,;wine(131:153,];
* ~. J9 N7 ^9 t+ d% 相应的训练集的标签也要分离出来
  n  N1 o& B& Z8 M, r; O. ?train_wine_labels = [wine_labels(1:30);wine_labels(60:95);wine_labels(131:153)];
% 将第一类的31-59,第二类的96-130,第三类的154-178做为测试集
! F/ r$ l2 ?  S) A2 b9 ctest_wine = [wine(31:59,:);wine(96:130,:);wine(154:178,:)];
/ Z- P- ?4 S. M* f' f- {% 相应的测试集的标签也要分离出来
test_wine_labels = [wine_labels(31:59);wine_labels(96:130);wine_labels(154:178)];
$ D6 g0 x$ \2 ~& T  ^- J0 x
% m6 x" p' e# k$ _' D* `[mtrain,ntrain] = size(train_wine);
[mtest,ntest] = size(test_wine);
! x4 Y' N9 P, e: o/ Y
dataset = [train_wine;test_wine];
/ e( J& P9 [# |( r! I8 J7 N' A/ I; u% mapminmax为MATLAB自带的归一化函数
( R5 W$ S% D& h& c/ D' M+ ~( Y, C. U- B[dataset_scale,ps] = mapminmax(dataset',0,1);
dataset_scale = dataset_scale';

2 e' |% t! R! D0 {5 \& y! g) k  Strain_wine = dataset_scale(1:mtrain,:);
test_wine = dataset_scale( (mtrain+1)mtrain+mtest),: );
( Y. O9 C: p% W1 l' O! W%SVM网络训练
model = svmtrain(train_wine_labels, train_wine, '-c 2 -g 1');
%SVM网络预测
[predict_label, accuracy] = svmpredict(test_wine_labels, test_wine, model);
4 |( T* F" B7 g  u
% 测试集的实际分类和预测分类图% 通过图可以看出只有一个测试样本是被错分的figure;hold on;plot(test_wine_labels,'o');
5 @  f5 m$ Q+ Y# A- }* |plot(predict_label,'r*');xlabel('测试集样本','FontSize',12);
& j% [; X  j& F* ?4 W5 I; ^  Pylabel('类别标签','FontSize',12);legend('实际测试集分类','预测测试集分类');
$ w6 P2 Q0 l( G, [) @title('测试集的实际分类和预测分类图','FontSize',12);grid on;


  }; Q0 k3 e" A/ U* {& X$ a【运行出现的问题】
??? Error using ==> svmtrain at 172
! z! |! H! N1 UGroup must be a vector.
/ H! `' N1 o" H9 M* R8 OError in ==> chapter12 at 60
model = svmtrain(train_wine_labels, train_wine, '-c 2 -g 1');

5 L# {$ J; U& i* \8 d

zzz.dan

蹲一个大神

勇往直前11

在命令行下面输入：
& o; ?3 G; g) c! M0 B! I
$ Y; o6 `! G* g$ `2 T0 h/ k. `whos train_wine_labels

4 K5 k# v( u- h5 B1 ]3 g' Lwhos train_wie

这样你可以知道参数的类别,该错误信息提醒你参数必须为向量才可以。

小白的白

载入测试数据wine,其中包含的数据为classnumber = 3,wine:178*13的矩阵,wine_labes:178*1的列向量

( f2 }1 `# |' T9 D因为原始数据wine是矩阵，而不是向量 所以运行whos train_wine后如下显示
>> whos train_wine
: L! f( T  M% _* S1 e  Name             Size            Bytes  Class     Attributes

  train_wine      89x13             9256  double   

那么此例中的svmtrain函数就不能应用了么？？必须要改原始数据吗？？