机器学习音乐情感识别（matlab）

% 作者: dongyang
% 说明：本示例用以说明matlab的回归分析。matlab中的回归分析都在统计和机器学习工具箱里，和模式分类一样：
% 回归有单因变量回归分析（univariate）和多因变量回归分析（multivariate）。这里只讨论univariate回归分析
%  Matlab中的回归分析可以分为线性，广义线性，非线性等三大类。每一类的结果评估都会有所不同。
%  线性回归分析的评价：1，判定系数；2，预测结果与实际值的相关系数；3，用Anova做系数的显著性分析
%  广义线性回归分析的评价：1，判定系数；2，预测结果与实际值的相关系数。
%  非线性回归分析的评价：1，损失函数；2，预测结果与实际值的相关系数

%  高维度数据的特殊操作：一般对中低维度的特征数据，不管是回归还是分类，在matlab中都可以用SVM、线性回归或者逻辑回归模型来操作。
%                        但是对于高维度数据，如果不做特征选择的话，matlab中最好用高维线性回归（分类）模型来进行，适用函数是fitrlinear或者fitclinear
% 本示例里面介绍了线性回归，广义线性回归，SVM回归，高维度数据的线性回归，高斯过程回归，树回归等六种回归分析方法及其相应的结果评估
% 时间：10/2018


%数据读取和训练集/测试集拆分
m = csvread('E:/Data/music-a.csv',1,0); %参数中的1和0表示从第1行第0列开始读取，默认csv文件的第0行是label行
r = size(m);
column = r(2);
data = m(:,2:column);
label = m(:,1);
lc = length(unique(label));

Method = 6;  % 选择回归分析方法

if Method == 1
    % 线性回归
    disp('线性回归：');
    mdl = fitlm(data,label);
    pred = predict(mdl,data);
    corr = corrcoef(pred, label);
    % 结果的统计分析
    s = struct('R2',[],'aR2',[],'Corr',[],'Anova',[]);
    s.R2 = mdl.Rsquared.Ordinary;
    s.aR2 = mdl.Rsquared.Adjusted;
    s.Corr = corr(1,2);
    s.Anova = anova(mdl);
    
elseif Method == 2
    % 广义线性回归：它与线性回归的区别在于GLM的预测值分布并不仅仅是LM的正态分布，还可以是泊松、伽马、高斯等分布函数
    % 但是相比LM，GLM的属性里面没有了Anova分析，因为该分析是假设数据总体服从正态分布的
    % GLM的分布可以在参数中设置，默认值是正态分布
    disp('广义线性回归：');
    mdl = fitglm(data, label, 'linear', 'Distribution', 'gamma');
    pred = predict(mdl,data);
    corr = corrcoef(pred, label);
    % 结果的统计分析
    s = struct('R2',[],'aR2',[],'Corr',[],'NumCoef',[]);
    s.R2 = mdl.Rsquared.Ordinary;
    s.aR2 = mdl.Rsquared.Adjusted;
    s.Corr = corr(1,2);
    s.NumCoef = mdl.NumEstimatedCoefficients;
    
elseif Method == 3
     % 高维线性回归分析：适用高维度特征数据的回归分析模型，损失评估可以选择支持向量机或者最小均方误差函数准则
     % 它的结果评估不支持判定系数和Anova分析
    disp('高维线性回归：');
    mdl = fitrlinear(data,label);
    pred = predict(mdl,data);
    corr = corrcoef(pred, label);
    % 结果的统计分析
    s = struct('mse_Loss',[],'eps_Loss',[],'Corr',[]);
    s.mse_Loss = loss(mdl, data, label);
    s.eps_Loss = loss(mdl, data, label, 'LossFun','epsiloninsensitive');
    s.Corr = corr(1,2);
    
elseif Method == 4
     % SVM回归分析：非线性分析，所以不能做判定系数，一般用损失函数来检验结果
    disp('SVM回归：');
    mdl = fitrsvm(data, label,'KernelFunction','gaussian');
    pred = resubPredict(mdl);
    corr = corrcoef(pred, label);
    s = struct('mse_Loss',[],'eps_Loss',[],'Corr',[]);
    s.mse_Loss = resubLoss(mdl);
    s.eps_Loss = resubLoss(mdl,'LossFun','epsiloninsensitive');
    s.Corr = corr(1,2);
    
elseif Method == 5
    % 高斯过程回归
    disp('高斯过程回归：');
    mdl = fitrgp(data, label,'KernelFunction','squaredexponential');
    pred = resubPredict(mdl);
    corr = corrcoef(pred, label);
    s = struct('mse_Loss',[],'Corr',[]);
    s.mse_Loss = resubLoss(mdl);
    s.Corr = corr(1,2);
    
elseif Method == 6
    % 树回归
    disp('树回归：');
    mdl = fitrtree(data, label);
    pred = resubPredict(mdl);
    corr = corrcoef(pred, label);
    s = struct('mse_Loss',[],'Corr',[]);
    s.mse_Loss = resubLoss(mdl);
    s.Corr = corr(1,2);
    
else
    
end

%回归预测与实际值的对比图
disp(s);
diff = pred - label;
plot(diff);