%基于SVM的iris數據辨識
clear;
clc;
A=load（‘irisdata.txt‘）;??%導入數據
data?=?A（:1:4）;??????%1—4列數據是鳶尾花的4個特征：花萼和花瓣的長度和寬度
labels?=?A（:5）;????????%最后一列是屬性標簽。1代表山鳶尾（iris-setosa），
???????????????????????%2代表變色鳶尾（iris-versicolor），3代表維吉尼亞鳶尾（iris-virginica）

%將第一類的1－20第二類的51-70第三類的101-120做為訓練集
train_iris=[data（1:20:）;data（51:70:）;data（101:120:）];
%相應的訓練集的標簽也要分離出來
train_iris_labels?=?[labels（1:20）;labels（51:70）;labels（101:120）];

%將第一類的21－50第二類的71-100第三類的121-150做為測試集
test_iris=[data（21:50:）;data（71:100:）;data（121:150:）];

%相應的測試集的標簽也要分離出來
test_iris_labels?=?[labels（21:50）;labels（71:100）;labels（121:150）];

%數據預處理??將訓練集和測試集進行歸一化處理??歸一化到[01]區間
[mtrainntrain]?=?size（train_iris）;
[mtestntest]?=?size（test_iris）;
dataset?=?[train_iris;test_iris];
%?mapminmax為MATLAB自帶的歸一化函數???????????????????????
[dataset_scaleps]?=?mapminmax（dataset‘01）
dataset_scale?=?dataset_scale‘;

train_iris?=?dataset_scale（1:mtrain:）;
test_iris?=?dataset_scale（?（mtrain+1）:（mtrain+mtest）:?）;

%?SVM網絡訓練
model?=?svmtrain（train_iris_labels?train_iris?‘-c?2?-g?1‘）;



%%?SVM網絡預測
[predict_labelaccuracy]?=?svmpredict（test_iris_labelstest_irismodel）;


figure;
hold?on;
plot（test_iris_labels‘o‘）;
plot（predict_label‘r*‘）;
xlabel（‘測試集樣本‘‘FontSize‘12）;
ylabel（‘類別標簽‘‘FontSize‘12）;
legend（‘實際測試集分類‘‘預測測試集分類‘）;
title（‘測試集的實際分類和預測分類圖‘‘FontSize‘12）;
grid?on;
snapnow;

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----

?????文件???????1637??2018-03-27?11:14??iris12\iris.m

?????文件???????8924??2016-12-27?19:57??iris12\iris.png

?????文件???????2850??2016-12-27?16:58??iris12\irisdata.txt

?????文件???????1628??2018-03-27?10:53??iris\iris.m

?????文件???????8924??2016-12-27?19:57??iris\iris.png

?????文件???????2850??2016-12-27?16:58??iris\irisdata.txt

?????目錄??????????0??2018-03-19?18:53??iris12

?????目錄??????????0??2018-03-19?18:53??iris

-----------?---------??----------?-----??----

????????????????26813????????????????????8