matlab自带各种分类器的使用示例

来源：互联网发布：网络视频地址编辑：程序博客网时间：2024/05/17 08:45

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)

我自己代码如下：

clcclear 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;    endends=m+nr=s/100%  result 86%

1 0