1.前言

目前了解到的MATLAB分類器有：K近鄰，隨機森林，樸素貝葉斯，集成學習方法，鑒別分析，支持向量機。現將其主要函數使用方法總結如下，更多細節需參考MATLAB 幫助文件。
設：

• 訓練樣本：train_data ? ? ? ? ? ?% 矩陣，每行一個樣本，每列一個特征
• 訓練樣本標簽：train_label ? ? ? % 列向量
• 測試樣本：test_data
• 測試樣本標簽：test_label

2.分類器使用方法

2.1 K近鄰分類器—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;

2.2 隨機森林分類器—RandomF

nTree = 20; B = TreeBagger(nTree,train_data_pca,train_label'); predict_label = predict(B,test_data_pca); predict_label = str2double(predict_label); accuracy = length(find(predict_label == test_label'))/length(test_label)*100;

2.3 樸素貝葉斯分類器—Naive 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;

2.4 集成方法分類器—AdaBoost

ens = fitensemble(train_data,train_label,'AdaBoostM1',100,'tree','type','classification'); predict_label = predict(ens, test_data); accuracy = length(find(predict_label == test_label))/length(test_label)*100;

2.5 鑒別分析分類器—Discriminant Analysis Classifier

obj = ClassificationDiscriminant.fit(train_data, train_label); predict_label = predict(obj, test_data);

2.6 支持向量機分類器—SVM

option = statset('MaxIter',1000000); svm_struct = svmtrain(train_data_pca,train_label,'options',option); predict = svmclassify(svm_struct,test_data_pca); correct_num = sum((predict-test_label')==0); accuracy = correct_num / 3000;

總結

以上是生活随笔為你收集整理的matlab中的分类器使用小结（SVM、KNN、RF、AdaBoost、Naive Bayes、DAC）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。