Машина опорных векторов: коды MATLAB, R и Python - все, что вам нужно сделать, это просто подготовить набор данных ...

Я выпускаю коды MATLAB, R и Python для машины опорных векторов (SVM). Они очень удобны в использовании. Вы готовите набор данных и просто запускаете код! Затем можно получить SVM и результаты прогнозирования для новых образцов. Очень просто и легко!

Вы можете купить каждый код по указанным ниже URL.

MATLAB

Https://gum.co/XdZSo
Загрузите дополнительный zip-файл (он бесплатный) по указанному ниже URL-адресу, чтобы запустить код SVM.
http: //univprofblog.html.xdomain .jp / code / MATLAB_scripts_functions.zip

R

Https://gum.co/OyXVZ
Загрузите дополнительный zip-файл (он бесплатный) по указанному ниже URL-адресу, чтобы запустить код SVM.
http: //univprofblog.html.xdomain .jp / code / R_scripts_functions.zip

Python

Https://gum.co/AtOvT
Загрузите дополнительный zip-файл (он бесплатный) по указанному ниже URL-адресу, чтобы запустить код SVM.
http: //univprofblog.html.xdomain .jp / code / supportfunctions.zip

Процедура SVM в кодах MATLAB, R и Python

Чтобы выполнить соответствующую SVM, коды MATLAB, R и Python следуют приведенной ниже процедуре после загрузки набора данных.

1. Объясняющая переменная автомасштабирования (X)
Автомасштабирование означает центрирование и масштабирование. Среднее значение каждой переменной становится равным нулю путем вычитания среднего значения каждой переменной из переменной при центрировании. Стандартное отклонение каждой переменной становится единицей путем деления стандартного отклонения каждой переменной от переменной при масштабировании.

2. Определение кандидатов C и гаммы.
C контролирует баланс между точностью и универсальностью SVM.
Гамма - это параметр в гауссовском ядре, которое является одной из самых известных функций ядра.
Например,
C: 2 ^ -10, 2 ^ -9,…, 2⁹, 2¹⁰,
Гамма: 2 ^ -20, 2 ^ -19,…, 2⁹, 2¹⁰.

3. Вычислить матрицу грамма ядра Гаусса и ее дисперсию для каждого кандидата гаммы
Если размер матрицы грамма составляет, например, 100 × 100, дисперсия рассчитывается для вектора с измененным размером 10000 × 1.

4. Определите оптимальную гамму с максимальным значением дисперсии.
Это означает, что граммовая матрица с оптимальной гаммой имеет различные значения ядра.

5. Оцените целевую переменную (Y) с перекрестной проверкой (CV) для каждого кандидата C
Резюме с исключением одного очень известно, но оно вызывает чрезмерную подгонку, когда количество обучающих выборок велико. Итак, 5-кратное или 2-кратное резюме лучше. Сначала обучающие выборки делятся на 5 или 2 группы. Во-вторых, одна группа рассматривается как тестовые образцы, а модель строится с другой группой (группами). Это повторяется 5 или 2 раза, пока все группы не будут рассматриваться как тестовые образцы. Тогда можно получить не вычисленный Y, а оценочный Y.

6. Вычислить степень точности между фактическим Y и предполагаемым Y для каждого кандидата C.

7. Определите оптимальную букву C с максимальной точностью

8. Постройте модель SVM с оптимальным C и гаммой

9. Вычислить матрицу неточностей между фактическим Y и вычисленным Y, а также между фактическим Y и оценкой Y с перекрестной проверкой для оптимального C и гаммы.
Можно вычислить степень точности, скорость обнаружения, точность и т. Д. при необходимости из каждой матрицы неточностей.

10. При прогнозировании вычтите среднее значение при автоматическом вызове X в 1. из X-переменных, а затем разделите X-переменные на стандартное отклонение при автоматическом вызове X в 1. для новых выборок

11. Оценить Y на основе SVM в 8.