关于SVM神经网络中svmtrain函数的一个小问题

zzz.dan

close all;
clear;
2 I7 n3 p0 t8 gclc;
format compact;

% 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
: I/ u' {8 @2 O4 C, {8 w: u+ Xload chapter12_wine.mat;
/ X' U6 O- x9 B) a$ k
, L0 v& f" Q2 ?0 K% 画出测试数据的box可视化图
figure;
boxplot(wine,'orientation','horizontal','labels',categories);
9 ^5 d, _# W) B/ h* Ktitle('wine数据的box可视化图','FontSize',12);
xlabel('属性值','FontSize',12);
7 Z4 I1 \$ f# bgrid on;

% 画出测试数据的分维可视化图
figure
4 h) n; H( N; D+ X7 `( p; Y1 T+ M0 E, Usubplot(3,5,1);
8 k1 Y  S8 C) C, ]5 Bhold on
% k# m# n# ]' R! T+ `# G! m5 cfor run = 1:178
    plot(run,wine_labels(run),'*');
end
5 v) X- J3 s7 s; ~3 d$ Wxlabel('样本','FontSize',10);
0 ~2 i4 I5 ?. vylabel('类别标签','FontSize',10);
title('class','FontSize',10);
for run = 2:14
    subplot(3,5,run);
    hold on;
8 W! l' k' S  Q/ d    str = ['attrib ',num2str(run-1)];
    for i = 1:178
        plot(i,wine(i,run-1),'*');
6 G# h6 m- D# x# W  R    end
* U. t3 r) h2 ~! U. z: }! A    xlabel('样本','FontSize',10);
  T. U( _/ j- S7 S2 I    ylabel('属性值','FontSize',10);
+ k& C1 p$ H. S% S/ ?3 @1 Q, N    title(str,'FontSize',10);
" T, f, M  O' J7 V4 M* Send

% 选定训练集和测试集
6 Y& ]( p5 {' e" n& Y2 ?
% 将第一类的1-30,第二类的60-95,第三类的131-153做为训练集
train_wine = [wine(1:30,;wine(60:95,;wine(131:153,];
9 j8 b1 z  M# Z  h% 相应的训练集的标签也要分离出来
train_wine_labels = [wine_labels(1:30);wine_labels(60:95);wine_labels(131:153)];
: C: d, ?* w( W# h, V% F, b% 将第一类的31-59,第二类的96-130,第三类的154-178做为测试集
- w4 S0 }* g( l9 mtest_wine = [wine(31:59,:);wine(96:130,:);wine(154:178,:)];
% 相应的测试集的标签也要分离出来
) j1 I' v' n/ i% P$ O  f  }+ \test_wine_labels = [wine_labels(31:59);wine_labels(96:130);wine_labels(154:178)];
0 q0 L% d2 m9 P% h5 `( d) {, f
# X0 Z. }! @9 t5 y9 d( K[mtrain,ntrain] = size(train_wine);
' V1 J9 N9 e+ b[mtest,ntest] = size(test_wine);
. f; Y* J* C9 W/ [& Z0 x0 t
dataset = [train_wine;test_wine];
% mapminmax为MATLAB自带的归一化函数
+ e2 J3 m! ~% q0 N[dataset_scale,ps] = mapminmax(dataset',0,1);
dataset_scale = dataset_scale';

$ s6 M6 X9 B  ~train_wine = dataset_scale(1:mtrain,:);
test_wine = dataset_scale( (mtrain+1)mtrain+mtest),: );
%SVM网络训练
model = svmtrain(train_wine_labels, train_wine, '-c 2 -g 1');
0 Y; ~+ @. H/ w0 F; i, g%SVM网络预测
6 W! F/ Y5 Q" b  `- i[predict_label, accuracy] = svmpredict(test_wine_labels, test_wine, model);
# t. j& X! Z; w3 Z1 d+ h- F
7 {' v, c# {' \4 ?% 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');
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;


【运行出现的问题】
??? Error using ==> svmtrain at 172
2 q0 Y- A+ h! F' KGroup must be a vector.
Error in ==> chapter12 at 60
model = svmtrain(train_wine_labels, train_wine, '-c 2 -g 1');

zzz.dan

蹲一个大神

勇往直前11

在命令行下面输入：
2 d* e; E8 {; B6 Y, U4 d) x* R
4 y0 I9 C, K5 Ywhos train_wine_labels

whos train_wie
1 F: F# X) D6 t1 W
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

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
" v8 D8 S" M! f9 G! l" d  Name             Size            Bytes  Class     Attributes
+ Q+ {+ `* @  P2 K2 u5 v9 b
. `/ ?0 g, _! R& t$ n& x1 }  train_wine      89x13             9256  double   
; e( }. F  }, ]
- D$ o( F& @) O) @, @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？？