matlab 自带例子,matlab自带各种分类器的使用示例

全文转至 u014114990的专栏，address：https://blog.csdn.net/u014114990/article/details/51067059

个人修改建议：

训练数据和验证数据直接以M*N表示(行表示特征个数，列为样本个数)，这样可以避免后续的转置操作。

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 (Na?ve 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)

代码：

clc

clear all

load(‘wdtFeature‘);

%  　　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

train_data = traindata‘

train_label = trainlabel‘

test_data = testdata‘

test_label = testlabel‘

%  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

%

%  94%

% 随机森林分类器(Random Forest)

% nTree = 5

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

% predict_label = predict(B,test_data);

%

% m=0;

% n=0;

% for i=1:50

%     if predict_label{i,1}>0

%         m=m+1;

%     end

%     if predict_label{i+50,1}<0

%         n=n+1;

%     end

% end

%

% s=m+n

% r=s/100

%  result 50%

% **********************************************************************

% 朴素贝叶斯 (Na?ve 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;

%

%

% % 结果 81%

% % **********************************************************************

% % 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);

%

% m=0;

% n=0;

% for i=1:50

%     if predict_label(i,1)>0

%         m=m+1;

%     end

%     if predict_label(i+50,1)<0

%         n=n+1;

%     end

% end

%

% s=m+n

% r=s/100

% 结果 97%

% **********************************************************************

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

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

% predict_label   =       predict(obj, test_data);

%

% m=0;

% n=0;

% for i=1:50

%     if predict_label(i,1)>0

%         m=m+1;

%     end

%     if predict_label(i+50,1)<0

%         n=n+1;

%     end

% end

%

% s=m+n

% r=s/100

%  result 86%

% **********************************************************************

% 支持向量机(Support Vector Machine, SVM)

SVMStruct = svmtrain(train_data, train_label);

predict_label  = svmclassify(SVMStruct, test_data)

m=0;

n=0;

for i=1:50

if predict_label(i,1)>0

m=m+1;

end

if predict_label(i+50,1)<0

n=n+1;

end

end

s=m+n

r=s/100

%  result 86%

原文：https://www.cnblogs.com/shyzh/p/9420328.html