سلام
بردار هدف آموزش را وارد کنید. اگر نمی دانید چی هست مجموعه آموزشی زیر را تهیه فرمایید.

مجموعه آموزش جامع شبکه عصبی

سلام
بله داریم
Suppore Vector Regression

با سلام
تابع fitcsvm در نسخه های متلب 2015 به بالاتر قابل دسترس است.
نسخه متلب بالاتر از 2015 را نصب کنید.

با سلام
همانطور که در توضیحات کد هم نوشته شده است. چون SVM یک دسته بندی کننده باینری می باشد بعنی تنها می تواند دو کلاس را در خروجی خود دسته بندی کند.
لذا در این کد با دستور nchoosek به ازای تعداد کلاسها ، یک مدل 1 به 1 ساخته است. این دستور در خروجی یک ماتریس می دهد که تعداد سطرهای آن تعداد ترکیبات 1 به 1 می باشد. لذا در خط بعدش یک آرایه سلولی به ازای تعداد سطرهای این ماتریس تولید کرده است.
چرا آرایه سلولی ؟ چون تولباکس svm ماشین بردار پشتیبان را به صورت متغییر سلولی ذخیره می کند. پس اندازه این آرایه سلولی تعداد SVM ها را مشخص می کند لذا از دستور numel برای تعداد شمارش حلقه استفاده کرده است. در این حلقه در حقیقت ما هر ماشین بردار پشتیبان را برای کلاس متناظر خود آموزش می دهیم و تست می کنیم.
اگر از تولباکس libsvm استفاده کنید این دردسر ها را ندارید.
یا کد زیر را استفاده کنید که از تولباکس خود متلب استفاده می کند. .
کد SVM چند کلاسه بدون libsvm با تولباکس متلب

کلا دلیل استفاده از تابع nchoosek و بدست اوردن سایز pairwise برای ساخت مدل رو نمیفهمم چرا سایز یا استفاده از numel برای svm model رو متوجه نمیشم
هزینه ای هم داشته باشه پرداخت میکنم

%# load dataset
load fisheriris
[g gn] = grp2idx(species); %# nominal class to numeric

%# split training/testing sets
[trainIdx testIdx] = crossvalind(‘HoldOut’, species, 1/3);

pairwise = nchoosek(1:length(gn),2); %# 1-vs-1 pairwise models
svmModel = cell(size(pairwise,1),1); %# store binary-classifers
predTest = zeros(sum(testIdx),numel(svmModel)); %# store binary predictions

%# classify using one-against-one approach, SVM with 3rd degree poly kernel
for k=1:numel(svmModel)
%# get only training instances belonging to this pair
idx = trainIdx & any( bsxfun(@eq, g, pairwise(k,:)) , 2 );

%# train
svmModel{k} = svmtrain(meas(idx,:), g(idx), …
‘BoxConstraint’,2e-1, ‘Kernel_Function’,’polynomial’, ‘Polyorder’,3);

%# test
predTest(:,k) = svmclassify(svmModel{k}, meas(testIdx,:));
end
pred = mode(predTest,2); %# voting: clasify as the class receiving most votes

%# performance
cmat = confusionmat(g(testIdx),pred);
acc = 100*sum(diag(cmat))./sum(cmat(:));
fprintf(‘SVM (1-against-1):\naccuracy = %.2f%%\n’, acc);
fprintf(‘Confusion Matrix:\n’), disp(cmat)