MATLAB（3）训练模型

前言

       在MATLAB中训练模型通常涉及到选择一个合适的机器学习算法或深度学习框架，并准备相应的数据集。这里我将给出一个使用MATLAB的机器学习工具箱来训练一个简单的分类模型的示例代码。我们将使用逻辑回归（Logistic Regression）来分类一个简单的数据集。

一、准备数据集

       首先，你需要有一个数据集。这里我们使用MATLAB内置的鸢尾花（Iris）数据集作为示例。这个数据集包含了三种鸢尾花的萼片长度、萼片宽度、花瓣长度和花瓣宽度，以及对应的种类标签。

load fisheriris  
% fisheriris 数据集包含 meas（测量数据）和 species（种类标签）  
% meas 是一个 150x4 的矩阵，每一行代表一个样本的四个特征  
% species 是一个 150x1 的单元格数组，包含每个样本的种类标签  
  
% 为了简化问题，我们只使用前两个特征（萼片长度和萼片宽度）  
X = meas(:, 1:2);  
% 将 species 转换为数值标签  
T = grp2idx(species);

二、划分训练集和测试集

    在训练模型之前，我们通常将数据集划分为训练集和测试集。

cv = cvpartition(T, 'HoldOut', 0.3); % 70% 训练集，30% 测试集  
  
X_train = X(cv.training, :);  
T_train = T(cv.training, :);  
X_test = X(cv.test, :);  
T_test = T(cv.test, :);

三、训练模型

    使用MATLAB的fitclinear函数来训练一个逻辑回归模型。

% 训练逻辑回归模型  
model = fitclinear(X_train, T_train);

四、评估模型

    使用测试集来评估模型的性能。

% 预测测试集  
Y_pred = predict(model, X_test);  
  
% 计算准确率  
accuracy = sum(Y_pred == T_test) / numel(T_test);  
fprintf('模型准确率: %.2f%%\n', accuracy * 100);

五、完整代码

   将上述步骤组合成完整的MATLAB脚本：

% 加载数据  
load fisheriris  
X = meas(:, 1:2); % 只使用前两个特征  
T = grp2idx(species); % 转换标签  
  
% 划分数据集  
cv = cvpartition(T, 'HoldOut', 0.3);  
X_train = X(cv.training, :);  
T_train = T(cv.training, :);  
X_test = X(cv.test, :);  
T_test = T(cv.test, :);  
  
% 训练模型  
model = fitclinear(X_train, T_train);  
  
% 评估模型  
Y_pred = predict(model, X_test);  
accuracy = sum(Y_pred == T_test) / numel(T_test);  
fprintf('模型准确率: %.2f%%\n', accuracy * 100);

       这个示例展示了如何在MATLAB中使用逻辑回归算法训练一个分类模型，并评估其性能。你可以根据需要替换为其他机器学习算法或深度学习模型。

 结语

只有登上山顶

才能看到那边的风光

！！！