Matlab 如何绘制支持向量机的支持向量和测试数据

我正在使用Matlab为这个简单的图像分类器。 我有两组图像，如下所示：

DataSet = cell([], 1);
TestSet =  cell([], 1);

DataSet{j} = double(imresize(tempImage,[width height]));

SVMvar = svmtrain(Training_Set , train_label, 'kernel_function', 'linear');

我使用循环填充这些数组，如下所示：

DataSet = cell([], 1);
TestSet =  cell([], 1);

DataSet{j} = double(imresize(tempImage,[width height]));

SVMvar = svmtrain(Training_Set , train_label, 'kernel_function', 'linear');

此外，

train_标签

的定义如下，有助于区分两类：

train_label = zeros(size(10,1),1);
train_label(1:5,1) = 1;         % 1 = my first category of images
train_label(6:10,1) = 2;         % 2 = my second category of images

我现在正在训练一个SVM分类器，如下所示：

DataSet = cell([], 1);
TestSet =  cell([], 1);

DataSet{j} = double(imresize(tempImage,[width height]));

SVMvar = svmtrain(Training_Set , train_label, 'kernel_function', 'linear');

现在，我可以通过该分类器传递图像，并使用

svmclassify

获得可接受的结果

我的问题是，我如何将测试数据（和支持向量）绘制在一张图上，这样我就可以看到它们离分类为1类或2类有多近

---

我意识到我使用了一个线性内核，但我读到的大多数材料都表明我需要绘制一个3D图形。为什么它是一个3D图形而不是2D图形，我该怎么做

只有在要素空间是二维（或三维）的情况下，才能真正绘制它们。你用什么作为你的功能？附言：有一种方法可以完全满足你的需求@对不起，我不知道我的功能是什么。我怎么检查？目前，训练和分类的准确率为100%（训练数据和测试数据不一样）。另外，我在文档中尝试了这个例子，但是当我添加

'ShowPlot'，true

参数时，这行给了我一个错误。那么，您到底要传递给SVM的是什么特征向量呢？目前看来，你只是插入了整个图像，这意味着一个相当高维的空间。（如果它是彩色图像，每像素3维。）这样做通常没有多大意义（为什么你会期望在这个空间中得到一个线性决策函数？）。参加一个模式识别/机器学习课程或买一些书/读一些WP文章。