SVM多分类算法 – 基于支持向量机的多类别分类【MATLAB】

最后更新于：2025-10-12 00:14:46

一、代码运行环境

• MATLAB: 理论上MATLAB2016以上可以使用，推荐使用MATLAB2024a及更新版本。

二、程序介绍

程序文件结构

SVM_Multiclass_Classification/
├── demoSVMMultiClass.m          # 演示脚本
├── FunSVMMultiClass.m           # 核心函数
├── iris.csv                     # 鸢尾花数据集
├── 代码说明.txt                  # 代码说明文档
└── figure/                      # 结果图片文件夹
    ├── 图1_混淆矩阵.png
    ├── 图2_分类对比.png
    ├── 图3_性能指标.png
    └── 图4_数据分布.png

文件说明

1. demoSVMMultiClass.m

• 说明：SVM多分类算法的演示脚本文件，是核心函数 FunSVMMultiClass 的测试文件，可以直接运行。
• 功能：加载鸢尾花数据集，设置算法参数，调用核心函数进行多分类训练和测试，输出性能指标并生成可视化结果。
• 运行结果：

命令行输出示例：

     数据加载完成！
     数据集大小：150个样本，4个特征

     ===== SVM多分类算法 =====
     训练集样本数: 105
     测试集样本数: 45
     类别数量: 3

     ===== 分类结果 =====
     测试集准确率: 100.00%
     精确率: 100.00%
     召回率: 100.00%
     F1分数: 100.00%

     各类别性能指标：
     类别 0: 精确率=100.00%, 召回率=100.00%, F1=100.00%
     类别 1: 精确率=100.00%, 召回率=100.00%, F1=100.00%
     类别 2: 精确率=100.00%, 召回率=100.00%, F1=100.00%

     所有图片已保存到figure文件夹
     演示完成！

2. FunSVMMultiClass.m

• 说明：SVM多分类算法的核心函数，实现了完整的多类别分类流程。
• 功能：

• 支持多种核函数（线性核、RBF核、多项式核）
• 采用One-vs-Rest（OvR）策略进行多分类
• 自动数据标准化和训练集/测试集划分
• 完整的性能评估（准确率、精确率、召回率、F1分数）
• 生成5种可视化结果（混淆矩阵、分类对比、性能指标、数据分布、决策边界）
• 所有图片自动保存到figure文件夹
• 函数定义及参数解释：

     function [accuracy, recall, precision, F1, SVMModels, info] = FunSVMMultiClass(dataX, dataY, options)
     % SVM多分类算法 - 使用One-vs-Rest策略进行多类别分类
     % 
     % 输入参数: 
     %   dataX - 输入特征数据，N×M的矩阵，N为样本数，M为特征数
     %   dataY - 标签数据，N×1的向量，N为样本数
     %   options - 参数设置结构体，包含以下字段：
     %       divideRatio：训练集比例，默认0.7（70%训练，30%测试）
     %       kernelFunction：核函数类型，'linear'|'rbf'|'polynomial'，默认'rbf'
     %       kernelScale：核尺度参数，默认'auto'
     %       boxConstraint：箱式约束（惩罚系数），默认1
     %       polynomialOrder：多项式核函数阶数，默认3
     %       standardize：是否标准化数据，true|false，默认true
     %       figflag：是否绘图，'on'|'off'，默认'on'
     %       randomSeed：随机种子，默认123456
     % 
     % 输出参数: 
     %   accuracy - 测试集分类准确率
     %   recall - 召回率（各类别平均）
     %   precision - 精确率（各类别平均）
     %   F1 - F1分数（各类别平均）
     %   SVMModels - 训练好的SVM模型集合
     %   info - 包含训练数据、测试数据、预测结果等详细信息的结构体

3. iris.csv

• 说明：经典的鸢尾花数据集，包含150个样本，4个特征（萼片长度、萼片宽度、花瓣长度、花瓣宽度），3个类别（Setosa、Versicolor、Virginica）。
• 用途：作为演示数据，展示SVM多分类算法的效果。

4. 代码说明.txt

• 说明：详细的代码使用说明文档，包含环境要求、快速开始指南、主要功能介绍和参数说明。

三、快速开始

1. 运行测试脚本

步骤：

1. 在MATLAB中打开下载好的 SVM_Multiclass_Classification 文件夹 2. 确保当前路径为该文件夹的根目录 3. 在命令行窗口输入并运行：

   demoSVMMultiClass

4. 程序运行完毕后，如果没有报错且正常绘制4张图像，则说明运行环境正常

判断程序是否正常运行：

• 命令行窗口输出完整的性能指标信息
• 自动弹出4个图形窗口，显示混淆矩阵、分类对比、性能指标和数据分布
• figure文件夹中自动生成4张PNG图片

2. 修改仿真数据/导入数据

情况一：使用自己的仿真数据

1. 复制一个 demoSVMMultiClass.m 的文件副本（如 myDemo.m） 2. 在副本中修改数据导入部分（第9-15行）：

   %% 1. 数据导入
   % 使用自己的数据替换
   X = your_feature_data;  % 替换为你的特征数据矩阵（N×M）
   Y = your_label_data;    % 替换为你的标签向量（N×1）

注意事项：

• X 必须是数值型矩阵，每行为一个样本，每列为一个特征
• Y 必须是向量，可以是数值型或categorical类型
• 样本数N必须与标签数量一致
• 特征数M建议在2-100之间，过多的特征可能需要特征选择或降维

情况二：使用真实采集的数据

从Excel文件导入：

% 方法1：使用readtable（推荐）
data = readtable('your_data.xlsx');
X = data{:, 1:end-1};  % 前面的列为特征
Y = data{:, end};       % 最后一列为标签

% 方法2：使用xlsread
[num, txt, raw] = xlsread('your_data.xlsx');
X = num(:, 1:end-1);
Y = num(:, end);

从CSV文件导入：

data = readtable('your_data.csv');
X = data{:, 1:end-1};
Y = data{:, end};

从TXT文件导入：

% 假设数据为空格或Tab分隔
data = load('your_data.txt');
X = data(:, 1:end-1);
Y = data(:, end);

如果没有测试标签： 如果你的数据没有分开的测试集标签，需要修改代码：

1. 删除或注释掉性能评估相关代码 2. 只关注模型训练和预测结果

3. 调整算法参数（可选）

在 demoSVMMultiClass.m 的第21-29行可以调整算法参数：

% 核函数选择
options.kernelFunction = 'rbf';      % 'linear'：线性核，适合线性可分问题
                                     % 'rbf'：径向基核，适合大部分非线性问题（推荐）
                                     % 'polynomial'：多项式核，适合特定非线性问题

% 数据划分比例
options.divideRatio = 0.7;           % 0.7表示70%训练，30%测试
                                     % 可调整为0.6-0.8之间

% 惩罚系数（C参数）
options.boxConstraint = 1;           % 值越大，对误分类的惩罚越大
                                     % 建议范围：0.1-100

% 核尺度参数（gamma参数）
options.kernelScale = 'auto';        % 'auto'：自动选择最优值（推荐）
                                     % 也可设置为具体数值，如0.1、1、10等

% 多项式核阶数（仅polynomial核函数需要）
options.polynomialOrder = 3;         % 建议范围：2-5

% 是否标准化数据
options.standardize = true;          % true：标准化（推荐），false：不标准化

% 是否绘图
options.figflag = 'on';              % 'on'：绘制图形，'off'：不绘图

% 随机种子
options.randomSeed = 123456;         % 设置固定值可保证结果可重复

参数调优建议：

1. 首先使用默认参数运行，观察结果 2. 如果准确率不理想，尝试调整核函数类型 3. 调整惩罚系数 boxConstraint，通常在[0.1, 1, 10, 100]中选择 4. 如果使用RBF核，可以尝试不同的 kernelScale 值

4. 运行程序

完成以上修改后，在MATLAB命令行窗口运行：

myDemo  % 或者你修改后的脚本名称

程序会自动完成数据加载、模型训练、预测和可视化等所有步骤。

四、关于完整版与公开版代码

> 代码分为完整版和公开版（试用版），以满足不同用户的需求。

📥 五、获取公开版程序

注：公开版代码需使用MATLAB2022a及以上版本。

💎 六、获取完整版程序

点击下面”立即支付“按钮，付款后获取完整版代码下载链接和售后联系方式~付款完成后刷新一下本页面即可看到下载链接。

（注意：支付跳转失败的话，请使用浏览器打开本页面）

七、完整版代码重要更新

• 2025-01-10: 完成初版代码
• 实现基于SVM的多分类算法
• 支持多种核函数（线性、RBF、多项式）
• 实现One-vs-Rest多分类策略
• 提供完整的性能评估指标
• 生成5种可视化结果
• 自动保存图片到figure文件夹

八、常见问题

Q1: 运行程序时提示找不到文件？

A: 请确保：

1. 当前MATLAB工作路径为 SVM_Multiclass_Classification 文件夹 2. 所有文件（demoSVMMultiClass.m、FunSVMMultiClass.m、iris.csv）都在同一目录下

Q2: 图片无法正常显示或保存？

A:

1. 检查是否有创建 figure 文件夹的权限 2. 尝试手动创建 figure 文件夹 3. 检查 options.figflag 是否设置为 'on'

Q3: 准确率很低怎么办？

A: 可以尝试：

1. 更换核函数类型（尝试 ‘linear’、’rbf’、’polynomial’） 2. 调整惩罚系数 options.boxConstraint（尝试0.1、1、10、100） 3. 确保数据已标准化（options.standardize = true） 4. 增加训练集比例（如 options.divideRatio = 0.8） 5. 检查数据质量和标签是否正确

Q4: 如何保存训练好的模型？

A: 在程序运行后，使用MATLAB的 save 命令：

save('my_svm_models.mat', 'SVMModels', 'info');

加载模型：

load('my_svm_models.mat');

Q5: 如何用训练好的模型预测新数据？

A: 使用返回的 SVMModels 和 info 结构体：

% 假设 newData 是新的特征数据
if info.standardize
    newData_std = (newData - info.mu) ./ info.sigma;  % 使用训练时的均值和标准差
else
    newData_std = newData;
end

% 预测
predictions = predict(SVMModels, newData_std);

Q6: 程序运行时间过长？

A:

1. 减少样本数量 2. 减少特征维度（使用PCA等降维方法） 3. 使用线性核函数（速度最快） 4. 调小 boxConstraint 值

Q7: 如何引用本代码？

A: 如果在论文或报告中使用了本代码，建议注明：

代码来源：Mr.看海，SVM多分类算法MATLAB实现
网站：www.khsci.com/docs

—

*如有其他问题，欢迎访问 www.khsci.com/docs 获取更多帮助信息。*