1.數(shù)據(jù)集：采用 matlab2016b 自帶數(shù)據(jù)集：iris鳶尾花、ionosphere電離層數(shù)據(jù)

2.采用函數(shù) fitcecoc 進(jìn)行SVM二分類/多分類模型訓(xùn)練；

3.采用10折交叉驗(yàn)證，將Mdl轉(zhuǎn)化為 CVMdl，減少泛化誤差

4.將泛化誤差ossLoss作為模型的評(píng)價(jià)指標(biāo)

示例1：鳶尾花數(shù)據(jù)集iris

function [CVMdl,oosLoss]=SVM3()

load fisheriris

X = meas; %150*4 ：150個(gè)樣本，4個(gè)特征(萼長(zhǎng)、萼寬、瓣長(zhǎng)、瓣寬)；meas=measure(長(zhǎng)度)

Y = species; %三種屬性{'setosa','versicolor','virginica'}；species(種類)

t = templateSVM('Standardize',1); %創(chuàng)建SVM模板t

%訓(xùn)練該模型

Mdl = fitcecoc(X,Y,'Learners',t,'ClassNames',{'setosa','versicolor','virginica'});

%驗(yàn)證該模型

CVMdl = crossval(Mdl); %將模型進(jìn)行交叉驗(yàn)證，減少過(guò)擬合的影響

%顯示結(jié)果

oosLoss = kfoldLoss(CVMdl) %10折交叉驗(yàn)證得到的泛化誤差 oosloss =0.033，效果很好

結(jié)果如下：

>> [CVMdl,oosLoss]=SVM3()

CVMdl =

classreg.learning.partition.ClassificationPartitionedECOC

CrossValidatedModel: 'ECOC'

PredictorNames: {'x1'? 'x2'? 'x3'? 'x4'}

ResponseName: 'Y'

NumObservations: 150

KFold: 10

Partition: [1x1 cvpartition]

ClassNames: {'setosa'? 'versicolor'? 'virginica'}

ScoreTransform: 'none'

Properties, Methods

oosLoss =

0.0333333333333333

示例2：電離層數(shù)據(jù)二分類

%matlab自帶電離層

load ionosphere;

%使用默認(rèn)選項(xiàng)訓(xùn)練ECOC多類模型

model_2 =fitcecoc(X,Y);

%創(chuàng)建一個(gè)SVM模板

t_2 = templateSVM('Standardize',1);

%接下來(lái)訓(xùn)練ECOC分類器

model_2 = fitcecoc(X,Y,'Learners',t_2);

%使用10倍交叉驗(yàn)證交叉驗(yàn)證Mdl

CVmodel_2 =crossval(model_2);

%估算泛化誤差

oosLoss_2 = kfoldLoss(CVmodel_2);

結(jié)果：

>> [CVmodel_2,oosLoss_2]=SVM31()

CVmodel_2 =classreg.learning.partition.ClassificationPartitionedECOC

CrossValidatedModel: 'ECOC'PredictorNames: {1x34 cell}

ResponseName: 'Y'NumObservations: 351KFold: 10Partition: [1x1 cvpartition]

ClassNames: {'b' 'g'}

ScoreTransform: 'none'Properties, Methods

oosLoss_2 =

0.113960113960115

參考資料：

1.官方文檔：https://www.mathworks.com/help/stats/fitcecoc.html

2.代碼參考：fitcecoc的其他數(shù)據(jù)集嘗試： https://blog.csdn.net/kekeicon/article/details/72812097，作者：kekeicon

3.matlab自帶數(shù)據(jù)集一覽：https://ww2.mathworks.cn/help/stats/sample-data-sets.html

總結(jié)

以上是生活随笔為你收集整理的matlab 多维svm分类代码,SVM多分类（matlab）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。