wine数据来自于UCI数据库，记录的是意大利同一地区3中不同品种的葡萄酒13中化学成分含量，以期通过科学的方法，达到自动分类葡萄酒的目的。 本次分类的数据共有178个样本，每个样本有13个属性，并提供每个样本的正确分类，用于检验SVM分类的准确定。 首先我

wine数据来自于UCI数据库，记录的是意大利同一地区3中不同品种的葡萄酒13中化学成分含量，以期通过科学的方法，达到自动分类葡萄酒的目的。

本次分类的数据共有178个样本，每个样本有13个属性，并提供每个样本的正确分类，用于检验SVM分类的准确定。

首先我们画出数据的可视化图：

% 载入测试数据wine,其中包含的数据为classnumber = 3,wine:178*13的矩阵,wine_labes:178*1的列向量
load chapter_WineClass.mat;

% 画出测试数据的box可视化图
figure;
boxplot(wine,'orientation','horizontal','labels',categories);
title('wine数据的box可视化图','FontSize',12);
xlabel('属性值','FontSize',12);
grid on;

% 画出测试数据的分维可视化图
figure
subplot(3,5,1);
hold on
for run = 1:178
 plot(run,wine_labels(run),'*');
end
xlabel('样本','FontSize',10);
ylabel('类别标签','FontSize',10);
title('class','FontSize',10);
for run = 2:14
 subplot(3,5,run);
 hold on;
 str = ['attrib ',num2str(run-1)];
 for i = 1:178
 plot(i,wine(i,run-1),'*');
 end
 xlabel('样本','FontSize',10);
 ylabel('属性值','FontSize',10);
 title(str,'FontSize',10);
end

（图1）

（图2）

图1是wine数据的box可视化图，图2是wine的箱式图，从图上我们很难分出每一种葡萄酒是哪种类型。下面我们尝试用SVM来分类。

数据的预处理

% 选定训练集和测试集

% 将第一类的1-30,第二类的60-95,第三类的131-153做为训练集
train_wine = [wine(1:30,:);wine(60:95,:);wine(131:153,:)];
% 相应的训练集的标签也要分离出来
train_wine_labels = [wine_labels(1:30);wine_labels(60:95);wine_labels(131:153)];
% 将第一类的31-59,第二类的96-130,第三类的154-178做为测试集
test_wine = [wine(31:59,:);wine(96:130,:);wine(154:178,:)];
% 相应的测试集的标签也要分离出来
test_wine_labels = [wine_labels(31:59);wine_labels(96:130);wine_labels(154:178)];

%% 数据预处理
% 数据预处理,将训练集和测试集归一化到[0,1]区间

[mtrain,ntrain] = size(train_wine);
[mtest,ntest] = size(test_wine);

dataset = [train_wine;test_wine];
% mapminmax为MATLAB自带的归一化函数
[dataset_scale,ps] = mapminmax(dataset',0,1);
dataset_scale = dataset_scale';

train_wine = dataset_scale(1:mtrain,:);
test_wine = dataset_scale( (mtrain+1):(mtrain+mtest),: );

%% SVM网络训练
model = svmtrain(train_wine_labels, train_wine, '-c 2 -g 1');

%% SVM网络预测
[predict_label, accuracy,dec_value1] = svmpredict(test_wine_labels, test_wine, model);

%% 结果分析

% 测试集的实际分类和预测分类图
% 通过图可以看出只有一个测试样本是被错分的
figure;
hold on;
plot(test_wine_labels,'o');
plot(predict_label,'r*');
xlabel('测试集样本','FontSize',12);
ylabel('类别标签','FontSize',12);
legend('实际测试集分类','预测测试集分类');
title('测试集的实际分类和预测分类图','FontSize',12);
grid on;

利用svm分类的准确率达到了98.87%，在个测试样本中仅有一个被分类错误。可见SVM在数据分类方面的强大！

END