matlab自带各种分类器的使用示例

目前了解到的MATLAB中分类器有：K近邻分类器，随机森林分类器，朴素贝叶斯，集成学习方法，鉴别分析分类器，支持向量机。现将其主要函数使用方法总结如下，更多细节需参考MATLAB 帮助文件。
设
　　训练样本：train_data             % 矩阵，每行一个样本，每列一个特征
　　训练样本标签：train_label
      % 列向量
　　测试样本：test_data
　　测试样本标签：test_label
 
K近邻分类器 （KNN）
mdl = ClassificationKNN.fit(train_data,train_label,’NumNeighbors’,1);
predict_label   =       predict(mdl,
test_data);
accuracy         =       length(find(predict_label
== test_label))/length(test_label)*100
               
 
随机森林分类器（Random
Forest）
B = TreeBagger(nTree,train_data,train_label);
predict_label = predict(B,test_data);
 
 
朴素贝叶斯 （Na?ve
Bayes）
nb = NaiveBayes.fit(train_data, train_label);
predict_label   =       predict(nb, test_data);
accuracy         =       length(find(predict_label
== test_label))/length(test_label)*100;
 
 
集成学习方法（Ensembles
for Boosting, Bagging, or Random Subspace）
ens = fitensemble(train_data,train_label,’AdaBoostM1’ ,100,’tree’,’type’,’classification’);
predict_label   =       predict(ens,
test_data);
 
 
鉴别分析分类器（discriminant
analysis classifier）
obj = ClassificationDiscriminant.fit(train_data, train_label);
predict_label   =       predict(obj,
test_data);
 
 
支持向量机（Support
Vector Machine, SVM）
SVMStruct = svmtrain(train_data, train_label);

predict_label  = svmclassify(SVMStruct, test_data)

我自己代码如下：

 
 

   
   

    
    

   
   
   
   

    
    

     
     clc
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     clear all 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
      load(
     
     'wdtFeature');
    
    
   
   

   
   

    
    

   
   
   
   

    
    
 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %  　　训练样本：train_data             % 矩阵，每行一个样本，每列一个特征
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 　　训练样本标签：train_label       % 列向量
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 　　测试样本：test_data
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 　　测试样本标签：test_label
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
      train_data = traindata
     
     '
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
      train_label = trainlabel'
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
      test_data = testdata
     
     '
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
      test_label = testlabel'
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %  K近邻分类器 （KNN）
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % mdl = ClassificationKNN.fit(train_data,train_label,
     
     'NumNeighbors',
     
     1);
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % predict_label   =       predict(mdl, test_data);
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % accuracy         =       length(find(predict_label == test_label))/length(test_label)
     
     100
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %                
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %  
     
     94%
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 随机森林分类器（Random Forest）
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % nTree = 
     
     5
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % B = TreeBagger(nTree,train_data,train_label);
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % predict_label = predict(B,test_data);
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %  
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % m=
     
     0;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % n=
     
     0;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 
     
     for i=
     
     1:
     
     50
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %     
     
     if predict_label{i,
     
     1}>
     
     0
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %         m=m+
     
     1;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %     end
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %     
     
     if predict_label{i+
     
     50,
     
     1}<
     
     0
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %         n=n+
     
     1;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %     end
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % end
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % s=m+n
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % r=s/
     
     100
    
    
   
   

   
   

    
    

   
   
   
   

    
    
 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %  result 
     
     50%
    
    
   
   

   
   

    
    

   
   
   
   

    
    
 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 
     
     *************************************************************
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 朴素贝叶斯 （Na?ve Bayes）
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % nb = NaiveBayes.fit(train_data, train_label);
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % predict_label   =       predict(nb, test_data);
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % accuracy         =       length(find(predict_label == test_label))/length(test_label)
     
     100;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % % 结果 
     
     81%
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % % 
     
     *************************************************************
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % % 集成学习方法（Ensembles 
     
     for Boosting, Bagging, 
     
     or Random Subspace）
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % ens = fitensemble(train_data,train_label,
     
     'AdaBoostM1' ,
     
     100,
     
     'tree',
     
     'type',
     
     'classification');
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % predict_label   =       predict(ens, test_data);
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % m=
     
     0;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % n=
     
     0;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 
     
     for i=
     
     1:
     
     50
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %     
     
     if predict_label(i,
     
     1)>
     
     0
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %         m=m+
     
     1;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %     end
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %     
     
     if predict_label(i+
     
     50,
     
     1)<
     
     0
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %         n=n+
     
     1;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %     end
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % end
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % s=m+n
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % r=s/
     
     100
    
    
   
   

   
   

    
    

   
   
   
   

    
    
 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 结果 
     
     97%
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 
     
     ************************************************************
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 鉴别分析分类器（discriminant analysis classifier）
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % obj = ClassificationDiscriminant.fit(train_data, train_label);
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % predict_label   =       predict(obj, test_data);
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %  
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % m=
     
     0;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % n=
     
     0;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 
     
     for i=
     
     1:
     
     50
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %     
     
     if predict_label(i,
     
     1)>
     
     0
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %         m=m+
     
     1;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %     end
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %     
     
     if predict_label(i+
     
     50,
     
     1)<
     
     0
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %         n=n+
     
     1;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %     end
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % end
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % s=m+n
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % r=s/
     
     100
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %  result 
     
     86%
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 
     
     ************************************************************
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     % 支持向量机（Support Vector Machine, SVM）
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     SVMStruct = svmtrain(train_data, train_label);
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     predict_label  = svmclassify(SVMStruct, test_data)
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     m=
     
     0;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     n=
     
     0;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     for i=
     
     1:
     
     50
    
    
   
   

   
   

    
    

   
   
   
   

    
    
    
     
     if predict_label(i,
     
     1)>
     
     0
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
             m=m+
     
     1;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
         end
    
    
   
   

   
   

    
    

   
   
   
   

    
    
    
     
     if predict_label(i+
     
     50,
     
     1)<
     
     0
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
             n=n+
     
     1;
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
         end
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     end
    
    
   
   

   
   

    
    

   
   
   
   

    
    
 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     s=m+n
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     r=s/
     
     100
    
    
   
   

   
   

    
    

   
   
   
   

    
    
 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     %  result 
     
     86%
    
    
   
   
 
 

转自： https://blog.csdn.net/u014114990/article/details/51067059