MATLAB实现支持向量机鸢尾花三分类问题

本文所使用的数据集为经典的鸢尾花三分类数据集：

该数据集有四个特征维度，最后一列为标签，标签取值范围为{'setosa','versicolor','virginica'}。显然这是个三分类问题，本文使用支持向量机模型。matlab代码如下：

% 加载数据集
data = readcell("C:\Users\27734\Desktop\Iris数据集\iris.csv");

% 分割特征和标签
X = cell2mat(data(2:end, 2:end-1)); % 特征列，排除第一列序号和最后一列标签
y = categorical(data(2:end, end)); % 标签列，将字符型标签转换为分类变量

% 随机分割数据集为训练集和测试集
cv = cvpartition(size(X, 1), 'HoldOut', 0.3); % 将数据集按照70:30的比例分割为训练集和测试集
trainIdx = training(cv); % 训练集索引
testIdx = test(cv); % 测试集索引

trainX = X(trainIdx, :); % 训练集的各个特征维度
trainY = y(trainIdx, :); % 训练集标签
testX = X(testIdx, :); % 测试集的各个特征维度
testY = y(testIdx, :); % 测试集标签

% 本文在此使用的fitcecoc函数为matlab内置函数
svmModel = fitcecoc(trainX, trainY);

% 在测试集上进行预测
predictions = predict(svmModel, testX);

% 计算准确率（查准率）
accuracy = sum(predictions == testY) / numel(testY);

% 显示准确率（查准率）
fprintf('准确率（查准率）: %.2f%%\n', accuracy * 100);

下面为实验结果：

查全率为95.56%，该支持向量机模型对鸢尾花三分类问题的准确率较高。

C = confusionmat(testY, predictions);

figure;
imagesc(C);
colorbar;

textStrings = num2str(C(:));
textStrings = strtrim(cellstr(textStrings));
[x, y] = meshgrid(1:size(C, 1), 1:size(C, 2));
hStrings = text(x(:), y(:), textStrings(:), 'HorizontalAlignment', 'center');
midValue = mean(get(gca, 'CLim'));
textColors = repmat(C(:) > midValue, 1, 3);
set(hStrings, {'Color'}, num2cell(textColors, 2));

title('混淆矩阵');
xlabel('预测标签');
ylabel('真实标签');
colormap('cool');

我们绘制出混淆矩阵，查看拟合效果：

从混淆矩阵可知：本次预测只有两次错误，其他均预测正确。