0
点赞
收藏
分享

微信扫一扫

分类预测 | MATLAB实现基于SVM-Adaboost支持向量机结合AdaBoost多输入分类预测


分类预测 | MATLAB实现基于SVM-Adaboost支持向量机结合AdaBoost多输入分类预测


目录

  • 分类预测 | MATLAB实现基于SVM-Adaboost支持向量机结合AdaBoost多输入分类预测
  • 预测效果
  • 基本介绍
  • 模型描述
  • 程序设计
  • 参考资料


预测效果

分类预测 | MATLAB实现基于SVM-Adaboost支持向量机结合AdaBoost多输入分类预测_SVM-Adaboost


分类预测 | MATLAB实现基于SVM-Adaboost支持向量机结合AdaBoost多输入分类预测_支持向量机_02


分类预测 | MATLAB实现基于SVM-Adaboost支持向量机结合AdaBoost多输入分类预测_Adaboost_03


分类预测 | MATLAB实现基于SVM-Adaboost支持向量机结合AdaBoost多输入分类预测_Ada_04

基本介绍

1.MATLAB实现基于SVM-Adaboost支持向量机结合AdaBoost多输入分类预测;
2.运行环境为Matlab2018b;
3.输入多个特征,分四类预测;
4.data为数据集,excel数据,前多列输入,最后输出四类标签,主程序运行即可,所有文件放在一个文件夹;
5.可视化展示分类准确率。

模型描述

MATLAB实现基于SVM-Adaboost支持向量机结合AdaBoost多输入分类预测;SVM-AdaBoost是一种将SVM和AdaBoost两种机器学习技术结合起来使用的方法,旨在提高模型的性能和鲁棒性。具体而言,AdaBoost则是一种集成学习方法,它将多个弱分类器组合起来形成一个强分类器,其中每个分类器都是针对不同数据集和特征表示训练的。SVM-AdaBoost算法的基本思想是将SVM作为基模型,利用AdaBoost算法对其进行增强。具体而言,我们可以训练多个SVM模型,每个模型使用不同的数据集和特征表示,然后将它们的预测结果组合起来,形成一个更准确和鲁棒的模型。

分类预测 | MATLAB实现基于SVM-Adaboost支持向量机结合AdaBoost多输入分类预测_Ada_05

程序设计

  • 完整源码和数据获取方式(资源处下载)SVM-Adaboost支持向量机结合AdaBoost多输入分类预测

English:
libsvm_options:
-s svm_type : set type of SVM (default 0)
	0 -- C-SVC
	1 -- nu-SVC
	2 -- one-class SVM
	3 -- epsilon-SVR
	4 -- nu-SVR
-t kernel_type : set type of kernel function (default 2)
	0 -- linear: u'*v
	1 -- polynomial: (gamma*u'*v + coef0)^degree
	2 -- radial basis function: exp(-gamma*|u-v|^2)
	3 -- sigmoid: tanh(gamma*u'*v + coef0)
	4 -- precomputed kernel (kernel values in training_instance_matrix)
-d degree : set degree in kernel function (default 3)
-g gamma : set gamma in kernel function (default 1/k)
-r coef0 : set coef0 in kernel function (default 0)
-c cost : set the parameter C of C-SVC, epsilon-SVR, and nu-SVR (default 1)
-n nu : set the parameter nu of nu-SVC, one-class SVM, and nu-SVR (default 0.5)
-p epsilon : set the epsilon in loss function of epsilon-SVR (default 0.1)
-m cachesize : set cache memory size in MB (default 100)
-e epsilon : set tolerance of termination criterion (default 0.001)
-h shrinking: whether to use the shrinking heuristics, 0 or 1 (default 1)
-b probability_estimates: whether to train a SVC or SVR model for probability estimates, 0 or 1 (default 0)
-wi weight: set the parameter C of class i to weight*C, for C-SVC (default 1)
-v n: n-fold cross validation mode

举报

相关推荐

0 条评论