MATLAB自带的SVM工具对两个类别的分类（binary）支持的非常好

yxlk

在MATLAB 14b之前，MATLAB自带的SVM工具对两个类别的分类（binary）支持的非常好。看到很多会员问如何使用MATLAB自带的SVM工具来实现多个类别的分类。在MATLAB R2014b里，这个功能已经被实现了：
/ Z$ d( E& E; @6 P
例子：
3 \! V* B8 Y( H/ t) B9 M# A
先导入数据：

& P+ f! i, B% F+ h1 K2 Y

• load fisheriris
• X = meas;
• Y = species;
  

[color=rgb(51, 102, 153) !important]复制代码
创建一个SVM模版：
* r  C' f4 S: l7 K

• t = templateSVM('Standardize',1)
  , u4 F/ f) h  i% F4 A

[color=rgb(51, 102, 153) !important]复制代码
8 Z) \" _; r. y$ }, u
' L# h) ?" j/ Z% R7 g- r
训练这个分类器，这是14b新推出的功能：
. K7 @3 d8 ^0 e2 X* L

• Mdl = fitcecoc(X,Y,'Learners',t,...
•     'ClassNames',{'setosa','versicolor','virginica'});
  + p+ e1 O4 C4 t. q5 K( \3 c  b

+ m/ h# W7 ^0 S; H: G5 Q[color=rgb(51, 102, 153) !important]复制代码

5 a, U- S2 k$ }5 E; k8 K
' u' {6 Y& v' h8 y1 ~训练好以后，可以验证SVM模型：

• CVMdl = crossval(Mdl);
  2 \0 D6 _; {/ b; l2 |

! b( T" U5 T  T[color=rgb(51, 102, 153) !important]复制代码

6 v: r5 z9 e% b! _# h显示验证的结果：

• oosLoss = kfoldLoss(CVMdl)
  1 u" e. {3 m; l0 X# I1 B5 G, j

[color=rgb(51, 102, 153) !important]复制代码

: @5 h% ~! R3 s" H% F( G( {
1 G) Q0 L2 _- V/ O! d7 i对于这个分类器，我们的验证结果是：
- K* @: x" D6 I  [9 u
: l0 p) h+ x6 t5 ~oosLoss =    0.0400

这表明分类的效果很好！

Heaven_1

分类器常用