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%