基于MATLAB机器学习工具箱的SVM支持向量机实现方法——fitcsvm

MATLAB中的支持向量机SVM

最近和组内的师兄聊到SVM的实现，发现身边很多朋友还在用libsvm和老版本matlab中自带的svmtrain函数（该函数在新版本中已被移除），因此写篇blog向大家介绍一下新版MATLAB中机器学习工具箱里的fitcsvm函数。

fitcsvm和svmtrain的个人使用感想

旧版matlab中的svmtrain函数使用体验确实不好，所以笔者以前也是用libsvm工具包中的svmtrain函数。去年发现新版matlab的机器学习工具箱内的fitcsvm函数使用体验还不错，所以转用了这个新工具。笔者所用的matlab版本为2018a及以上。

1 fitcsvm函数简介

1.1 基本语法

1.1.1 输入为double类型矩阵

Mdl = fitcsvm(X,Y)；

Mdl—训练好的分类器
X—训练集数据特征矩阵
Y—训练集数据标签

以上为最常见的fitcsvm使用方法，它的输入变量可以是double类型的矩阵，也可以是table类型的表格

例如，我有一个包含109个样本的训练集，每个样本具有150个特征

训练集保存在一个名为data的double类型矩阵中，第151列是样本标签

我们可以直接使用这个double类型矩阵进行SVM训练

mdl = fitcsvm(data(:,1:150),data(:,151))；

1.1.2 输入为table类型的表格

Mdl = fitcsvm(Tbl,ResponseVarName)

Tbl—包含了训练集样本特征和标签的表格，是一个table类型的变量
ResponseVarName—对应Tbl中数据标签的变量名
也可以用函数array2table将这个double类型的矩阵转换为table类型的表格再进行SVM训练

data_tbl = array2table(data