Matlab自帶常用的分類器，直接復制用就好了，很方面。

很方面的，懶得自己寫了。

1. clc  
2. clear all   
3.  load('wdtFeature');  
4.      
5. %  　　訓練樣本：train_data             % 矩陣，每行一個樣本，每列一個特征  
6. % 　　訓練樣本標簽：train_label       % 列向量  
7. % 　　測試樣本：test_data  
8. % 　　測試樣本標簽：test_label  
9.  train_data = traindata'  
10.  train_label = trainlabel'  
11.  test_data = testdata'  
12.  test_label = testlabel'  
13. %  K近鄰分類器 （KNN）  
14. % mdl = ClassificationKNN.fit(train_data,train_label,'NumNeighbors',1);  
15. % predict_label   =       predict(mdl, test_data);  
16. % accuracy         =       length(find(predict_label == test_label))/length(test_label)*100  
17. %                  
18. %  94%  
19. % 隨機森林分類器（Random Forest）  
20. % nTree = 5  
21. % B = TreeBagger(nTree,train_data,train_label);  
22. % predict_label = predict(B,test_data);  
23. %    
24. % m=0;  
25. % n=0;  
26. % for i=1:50  
27. %     if predict_label{i,1}>0  
28. %         m=m+1;  
29. %     end  
30. %     if predict_label{i+50,1}<0  
31. %         n=n+1;  
32. %     end  
33. % end  
34. %   
35. % s=m+n  
36. % r=s/100  
37.     
38. %  result 50%  
39.     
40. % **********************************************************************  
41. % 朴素貝葉斯 （Na?ve Bayes）  
42. % nb = NaiveBayes.fit(train_data, train_label);  
43. % predict_label   =       predict(nb, test_data);  
44. % accuracy         =       length(find(predict_label == test_label))/length(test_label)*100;  
45. %   
46. %   
47. % % 結果 81%  
48. % % **********************************************************************  
49. % % 集成學習方法（Ensembles for Boosting, Bagging, or Random Subspace）  
50. % ens = fitensemble(train_data,train_label,'AdaBoostM1' ,100,'tree','type','classification');  
51. % predict_label   =       predict(ens, test_data);  
52. %   
53. % m=0;  
54. % n=0;  
55. % for i=1:50  
56. %     if predict_label(i,1)>0  
57. %         m=m+1;  
58. %     end  
59. %     if predict_label(i+50,1)<0  
60. %         n=n+1;  
61. %     end  
62. % end  
63. %   
64. % s=m+n  
65. % r=s/100  
66.     
67. % 結果 97%  
68. % **********************************************************************  
69. % 鑒別分析分類器（discriminant analysis classifier）  
70. % obj = ClassificationDiscriminant.fit(train_data, train_label);  
71. % predict_label   =       predict(obj, test_data);  
72. %    
73. % m=0;  
74. % n=0;  
75. % for i=1:50  
76. %     if predict_label(i,1)>0  
77. %         m=m+1;  
78. %     end  
79. %     if predict_label(i+50,1)<0  
80. %         n=n+1;  
81. %     end  
82. % end  
83. %   
84. % s=m+n  
85. % r=s/100  
86. %  result 86%  
87. % **********************************************************************  
88. % 支持向量機（Support Vector Machine, SVM）  
89. SVMStruct = svmtrain(train_data, train_label);  
90. predict_label  = svmclassify(SVMStruct, test_data)  
91. m=0;  
92. n=0;  
93. for i=1:50  
94.     if predict_label(i,1)>0  
95.         m=m+1;  
96.     end  
97.     if predict_label(i+50,1)<0  
98.         n=n+1;  
99.     end  
100. end  
101.     
102. s=m+n  
103. r=s/100  
104.     
105. %  result 86% 

原文鏈接：http://blog.csdn.net/u014114990/article/details/51067059