matlab knn工具箱,Matlab自帶的分類學習工具箱（SVM、決策樹、Knn等分類器）

在matlab中，既有各種分類器的訓練函數，比如“fitcsvm”，也有圖形界面的分類學習工具箱，里面包含SVM、決策樹、Knn等各類分類器，使用非常方便。接下來講講如何使用。

啟動：

點擊“應用程序”，在面板中找到“Classification Learner”圖標點擊即啟動，也可以在命令行輸入“classificationlearner”，回車，也可啟動。如下圖：

導入數據：

點擊“New Session”，可以從工作空間或文件中導入數據。選擇數據后，導入分為三步：

第一步，確定你的數據格式，這里導入的數據是一個矩陣，既有樣本輸入也有對應的輸出。比如，我導入的數據data是3*3000的矩陣，3000個樣本，每個樣本兩個特征值，第三行是每個樣本對應的輸出。這時我應該選擇“Use row as variables”，如果數據格式為3000*3，則選擇“Use column as variables”。

第二步，指定哪一行為“response”即輸出響應，在本數據中，第三行為輸出，其余為“predictor”。

第三步，是否需要驗證，一般都選擇交叉驗證“Cross Validation”，folds表示幾次，自己選擇即可。

確定后，點擊“start session”。

選擇分類器：

如下圖，原始數據的散點圖會顯示出來，由於這數據只有兩維，因此可以全部顯示在二維坐標中。如果你的數據多於兩維，二維坐標系不能完全顯示每一維，你可以在右邊紅圈的X、Y下拉條中選擇顯示哪兩維。

訓練前可以選擇訓練的模型，點擊紅圈中的下拉箭頭，可以看到各類訓練模型，選擇一個即可，也可以選擇某一類的“ALL”，該類所有模型都會訓練一遍。

選好模型后，點擊“train”，開始訓練。

訓練結果：

訓練結果顯示在左邊，每個模型訓練后的准確率都會顯示出來，最高准確率會被標注，下面即為模型的信息。

點擊“Advance”可以設置模型的具體參數。點擊“Confusion Matrix”可以查看混淆矩陣等。

點擊“Export Model”可以將模型導出到工作空間，這樣就可以利用模型來測試新的數據。也可以導出為代碼，方便研究。