中科大模式识别miniproject实验报告

模式识别miniproject实验报告

一、算法介绍:本实验采用了SVMSupport VectorMachines分类模型由于实际问题中很少线性可分，故本实验采用非线性SVM方法即通过一个适当的非线性映射功，将数据由原始特征空间映射到一个新特征空间，然后在新空间中寻求最优线性判定面本实验选取的的核函数为RBF径向基函数中的高斯核函数，即kx,y exp-

0.5*normx-y/s A2o关于支持向量机的类型，本实验选取为二类分类算法，即svc_c算法方面，由于同时求解〃个拉格朗日乘子涉及很多次迭代，计算开销太大，所以实验采用Sequential MinimalOptimizationSMO算法，即每次只更新两个乘子，迭代获得最终解计算时，首先根据预先设定的规则，从所有样本中选出两个拉格朗日因子，然后保持其他拉格朗日乘子不变，更新所选样本对应的拉格朗日乘子，循环N次直到满足要求

二、实验、评价标准1本实验采用正确率来作为评价指标，即TPR xN++TNR xN-accuracy=-----------_^-N+N、整体试验方法及步骤21定义核函数的类型及相关参数；2构建两类训练样本考虑到实验程序运行时间问题，本实验只选用了testdata的第200至1200项共1000个作为训练样本3训练支持向量机；4寻找支持向量；5测试输出；6计算评价指标，即正确率、分类器训练算法的参数调整步骤31随机生成多个参数向量解2在目标函数上验证解的质量3根据解的质量由好到坏进行排序取出其中较好的一部分例如一半解，在这些解的每一个元素上加上一个随机数，从而得到一些新解4把新解和老解比较，取出最好的一部分，作为下一次迭代的初始解、实验结果4经实验，得到测试输出，将其第十一列，即样本类别与testdata中的第十三列相比，即可得到正确率本实验将以上结果取于EXECL中进行统计，部分结果截图如下其中，A列为测试输出末列，B为testdata末列，C为二者之和」B」A C1________11-1▼211231it-104i125i126i|_-1071it128i1________219i1210司12图1输出统计对比图部分数据总共2072个，其中C列经删选，得CR的项为744个，故正确率为2072-744/2072=

64.09%后经多次实验，结果相差不多，故0不再列出

10.

80.

60.

40.20-

0.2-

0.4-

0.6-

0.8-1-1-

0.8-

0.6-

0.4-

0.

200.

20.

40.

60.81图2测试输出分布图。