Programming Exercise 6:Support Vector Machines

最新推荐文章于 2022-10-14 20:57:54 发布

原创

最新推荐文章于 2022-10-14 20:57:54 发布 · 4.6k 阅读

标签

#Programming Exercise #SVM #Machine Learning #Coursera #第七周作业

本文是Coursera上Stanford University吴恩达老师的Machine Learning课程的第六次编程作业解析，主要涉及Support Vector Machines的实现。作者Mac Jiang分享了如何使用线性核函数和高斯核函数训练SVM，以及如何找到最佳参数C和σ。内容包括数据集ex6data1至ex6data3的加载和可视化，SVM训练和决策线绘制，以及在不同数据集上的应用。

大家好，我是Mac Jiang，今天和大家分享一下coursera网站上Stanford University的Machine Learning公开课（吴恩达老师）课程第六次作业：Programming Exercise 6:Support Vector Machines。写这篇博客的目的是为在课程学习中遇到困难的同学提供一些帮助，同时帮助自己巩固这周的课程内容。欢迎博友转载此文章，但希望您在转载之前与我联系并标明文章的出处，谢谢！

由于Programming Exercise 6的作业内容可以分为两大块，即1Support Vector Machines 2Span Classification.其中，第一块主要是描述SVM算法的具体实现过程，是本周课程内容的基础，第二块垃圾邮件分类是基于第一块代码的基础上的具体实际应用。由于文章篇幅有限，本文只讲述第一部分Support Vector Machines的实现过程，第二部分的内容我将在下一篇博客中给出，地址为http://blog.csdn.net/a1015553840/article/details/50826728。

好的，话不多说，开始讲述第一部分的实现过程。

数据集有：ex6data1.mat

ex6data2.mat

ex6data3.mat

实现过程与函数：ex6.m ---控制实验的进程，不用修改

svmTrain.m ---训练SVM算法，是已经开发完善的包，不用修改，直接调用

svmPredict.m ---对新样本进行预测，已开发的包，不用修改，直接调用

plotData.m ----绘制2D图像，不用修改，直接调用

visualizeBoundaryLinear,visualizeBoundaty.m ----可视化决策线，不用修改，直接调用

linearKernel.m ----线性核函数（无核函数），是以完善的包，不用修改，直接调用

guassianKernel.m ----高斯核函数，需要修改

dataset3Pa