UNIVERSIDAD CATLICA DE SANTA MARIA

FACULTAD DE CIENCIAS E INGENIERAS FSICAS Y FORMALES

ESCUELA PROFESIONAL DE INGENIERA ELECTRNICA

CURSO:

INTELIGENCIA ARTIFICIAL II

PRCTICA 05

ALUMNO:

HUAYLLAZO CANCAPA JAIME ABRAHAN

DOCENTE:

ING.RAUL RICARDO SULA TORRES

AREQUIPA-PERU

2017
 PRACTICA 5
EL CLASIFICADOR MAQUINA DE VECTORES SOPORTE NO LINEAL
1. linear Obtener el resultado de la clasificacin con svm para el kernel lineal (ingresar los
datos normalizados del conjunto de entrenamiento) para las dos primeras columnas (1ra y
2da columna) y las 2 primeras salidas (1 y 2) mediante el programa Matlab Para la base de
datos Iris. http://archive.ics.uci.edu/ml/datasets/Iris Mostrar el cdigo del programa
(archivo *.m), el resultado. As como su grfica.

%Cargar los datos

load fisheriris
%Columnas a usar
data = [meas(:,1), meas(:,2)];
%del vector species creamos un nuevo vector (groups)
%para clasificar la informacion en dos grupos
%setosa y no setosa
groups = ismember(species,'setosa');
%seleccion de entrenamiento y prueba
[train, test] = crossvalind('holdOut',groups);
cp = classperf(groups);
%Entrenamiento en SVM usando linear kernel
svmStruct = svmtrain(data(train,:),groups(train),'showplot',true);

4.2
0
4 1
Support Vectors
3.8

3.6

3.4

3.2

2.8

2.6

2.4

2.2
4 4.5 5 5.5 6 6.5 7 7.5 8
 2. Obtener el resultado de la clasificacin con svm para el kernel 'quadratic' (ingresar los
datos nomalizados del conjunto de entrenamiento) para: las dos primeras columnas (1ra y
2da columna) y las 2 primeras salidas (1 y 2) mediante el programa Matlab Para la base de
datos Iris. Mostrar el cdigo del programa (archivo *.m), el resultado. As como su grfica.

% Load the data and select features for classification

load fisheriris
X = [meas(:,1), meas(:,2)];
% Extract the Setosa class
Y = nominal(ismember(species,'setosa'));
% Randomly partitions observations into a training set and a test
% set using stratified holdout
P = cvpartition(Y,'Holdout',0.20);
svmStruct = svmtrain(X(P.training,:),Y(P.training),'showplot',true);
C = svmclassify(svmStruct,X(P.test,:),'showplot',true);
errRate = sum(Y(P.test)~= C)/P.TestSize
conMat = confusionmat(Y(P.test),C)

4.5
false (training)
false (classified)
true (training)
4
true (classified)
Support Vectors

3.5

2.5

2
4 4.5 5 5.5 6 6.5 7 7.5 8