matlab自帶各種分類器的使用示例

全文轉至 u014114990的專欄，address：https://blog.csdn.net/u014114990/article/details/51067059

個人修改建議：

訓練數據和驗證數據直接以M*N表示（行表示特征個數，列為樣本個數），這樣可以避免后續的轉置操作。

 

目前了解到的MATLAB中分類器有：K近鄰分類器，隨機森林分類器，朴素貝葉斯，集成學習方法，鑒別分析分類器，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
 
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
              
 
隨機森林分類器（Random Forest）
B = TreeBagger(nTree,train_data,train_label);
predict_label = predict(B,test_data);
 
 
朴素貝葉斯 （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;
 
 
集成學習方法（Ensembles for Boosting, Bagging, or Random Subspace）
ens = fitensemble(train_data,train_label,'AdaBoostM1' ,100,'tree','type','classification');
predict_label   =       predict(ens, test_data);
 
 
鑒別分析分類器（discriminant analysis classifier）
obj = ClassificationDiscriminant.fit(train_data, train_label);
predict_label   =       predict(obj, test_data);
 
 
支持向量機（Support Vector Machine, SVM）
SVMStruct = svmtrain(train_data, train_label);
predict_label  = svmclassify(SVMStruct, test_data)

代碼：
clc
clear all
 load('wdtFeature');
 
%  　　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
 train_data = traindata'
 train_label = trainlabel'
 test_data = testdata'
 test_label = testlabel'
%  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
%               
%  94%
% 隨機森林分類器（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%
 
% **********************************************************************
% 朴素貝葉斯 （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;
%
%
% % 結果 81%
% % **********************************************************************
% % 集成學習方法（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
 
% 結果 97%
% **********************************************************************
% 鑒別分析分類器（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%
% **********************************************************************
% 支持向量機（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%