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：2024-07-06 09:05:05
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)