?
?
?%%?Load?data
%?*?數(shù)據(jù)預(yù)處理--分兩類情況
data?=?load（‘Iris.txt‘）;
%data?=?data.data;
%選擇訓(xùn)練樣本個數(shù)
num_train?=?110;
%構(gòu)造隨機選擇序列
%length函數(shù):數(shù)組長度，即行數(shù)和列數(shù)中的較大值
%choose?=?randperm（length（data）;
?A=size（data1）;
choose=randperm（A）;%產(chǎn)生所有樣本的隨機序列A*1


train_data?=?data（choose（1:num_train）:）;%隨機分配的訓(xùn)練集
%gscatter函數(shù)可以按分類或分組來畫離散點，適用于畫多個類別的離散樣本分布圖
%函數(shù)中，x和y是向量，是該點的x軸和y軸坐標，因為畫在二維平面上，所以，如果是多維數(shù)據(jù)，只能從中選取兩特征作為x，y坐標來代表點
%或者使用特定的降維投影函數(shù)來得到x，y。?group是類別標志或分組向量
%gscatter（train_data（:1）train_data（:2））;
label_train?=?train_data（:end）;
test_data?=?data（choose（num_train+1:end）:）;
label_test?=?test_data（:end）;
%%?svm的構(gòu)建與訓(xùn)練
%?第二種SVM多分類的方法?一對一?總共有（n*n-1）/2個分類器?，最終讓測試樣本遍歷所有的分類器，投票決定
??num?=?0;
for?i?=?1:3-1?%3類
????%n*n-1）/2個分類器?這個訓(xùn)練模型是三分類的模型
????for?j?=?i+1:3
????????num?=?num?+?1;
????????%重新歸類?在訓(xùn)練標簽中確定分別表示的兩類標簽
????????index1?=?find（label_train?==?i）;
????????index2?=?find（label_train?==?j）;
????????%生成一個訓(xùn)練樣本數(shù)量*1的一個向量
????????label_temp?=?zeros（（length（index1）+length（index2））1）;
????????%svm需要將分類標簽設(shè)置為1與-1
????????label_temp（1:length（index1））?=?1;
????????label_temp（length（index1）