【文件属性】:
文件名称:libsvmmatlab代码-BioML:生物React
文件大小:4.16MB
文件格式:ZIP
更新时间:2021-06-16 15:18:25
系统开源
libsvm
matlab
代码使用
Libsvm
进行学习
-
a)
为了使用
libsvm
运行算法,数据和代码需要位于适当的文件夹中。
例如,在我们的例子中,一切都在
/libsvm-3.12/matlab/
下,因为我们使用的是
Octave。
b)
我使用的函数是
-
libsvmwrite、libsvmread、svmtrain
和
svmpredict。
c)
libsvmwrite/libsvmread
-
所有
.csv
和
.txt
文件都需要转换为
libsvm
格式。
这涉及根据工具的要求将
X
转换为稀疏向量,以正确的格式将其写出,然后再读回。
参考线代码中的
31
-
34。
d)
svmtrain
-
在代码中使用了两次,最初是为了选择最佳的
C
和
gamma
值,最后是训练模型。
对于交叉验证,指定的选项是“-v
N”,其中
N
是桶的数量,svmtrain
的输出是精度,它是一个标量。
第
58
-
75
行包含此部分。
e)
如果没有
-v,svmtrain
的输出是一个非标量模型,可以直接插入到
svmpredict
中。
一些基本参数是内核类型
【文件预览】:
BioML-master
----Utils()
--------pr.m(322B)
----visualisation_(training_set).png(18KB)
----libsvm.m(3KB)
----visualisation_(test_set).png(16KB)
----SupportVectorMachine()
--------polynomialKernel.m(430B)
--------linearKernel.m(323B)
--------svmPredict.m(2KB)
--------gaussianKernel.m(737B)
--------svmTrain.m(6KB)
----SVM-Results.pdf(123KB)
----README.md(1KB)
----skewness.m(810B)
----LogisticRegression()
--------predict.m(889B)
--------optimise_lambda_run_1_values.png(8KB)
--------fitParameters.m(459B)
--------optimiseLambda.m(1KB)
--------sigmoid.m(137B)
--------optimiseLambdaLoader.m(290B)
--------optimise_lambda_run_1_plot.png(5KB)
--------plotErrors.m(336B)
--------lrCostFunction.m(2KB)
--------costFunctionRegLR.m(398B)
--------optimise_lambda_run_2_values.png(8KB)
--------optimise_lambda_run_2_plot.png(5KB)
----biologicalResponse.m(6KB)
----BioData.mat(4.02MB)
----saveCsvAsMat.m(384B)
----NeuralNetwork()
--------nnRandInitializeWeights.m(1KB)
--------nnBiologicalResponse.m(4KB)
--------nnCostFunction.m(5KB)
--------nnPredict.m(714B)
--------fmincg.m(9KB)
--------sigmoidGradient.m(772B)
----segmentDataset.m(902B)
----README(109B)
----visualiseData.m(741B)