matlab自带常见分类器的使用

 

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  （ Naive 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：

 

1. clc

2. clear all

3. load('wdtFeature');

4.  

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

6. % 　　训练样本标签：train_label % 列向量

7. % 　　测试样本：test_data

8. % 　　测试样本标签：test_label

9. train_data = traindata'

10. train_label = trainlabel'

11. test_data = testdata'

12. test_label = testlabel'

13. % K近邻分类器 （KNN）

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

15. % predict_label = predict(mdl, test_data);

16. % accuracy = length(find(predict_label == test_label))/length(test_label)*100

17. %

18. % 94%

19. % 随机森林分类器（Random Forest）

20. % nTree = 5

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

22. % predict_label = predict(B,test_data);

23. %

24. % m=0;

25. % n=0;

26. % for i=1:50

27. % if predict_label{i,1}>0

28. % m=m+1;

29. % end

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

31. % n=n+1;

32. % end

33. % end

34. %

35. % s=m+n

36. % r=s/100

37.  

38. % result 50%

39.  

40. % **********************************************************************

41. % 朴素贝叶斯 （Na?ve Bayes）

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

43. % predict_label = predict(nb, test_data);

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

45. %

46. %

47. % % 结果 81%

48. % % **********************************************************************

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

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

51. % predict_label = predict(ens, test_data);

52. %

53. % m=0;

54. % n=0;

55. % for i=1:50

56. % if predict_label(i,1)>0

57. % m=m+1;

58. % end

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

60. % n=n+1;

61. % end

62. % end

63. %

64. % s=m+n

65. % r=s/100

66.  

67. % 结果 97%

68. % **********************************************************************

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

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

71. % predict_label = predict(obj, test_data);

72. %

73. % m=0;

74. % n=0;

75. % for i=1:50

76. % if predict_label(i,1)>0

77. % m=m+1;

78. % end

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

80. % n=n+1;

81. % end

82. % end

83. %

84. % s=m+n

85. % r=s/100

86. % result 86%

87. % **********************************************************************

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

89. SVMStruct = svmtrain(train_data, train_label);

90. predict_label = svmclassify(SVMStruct, test_data)

91. m=0;

92. n=0;

93. for i=1:50

94. if predict_label(i,1)>0

95. m=m+1;

96. end

97. if predict_label(i+50,1)<0

98. n=n+1;

99. end

100. end

101.  

102. s=m+n

103. r=s/100

104.  

105. % result 86%