机器学习之分类器——Matlab中各种分类器的使用总结（随机森林、支持向量机、K近邻分类器、朴素贝叶斯等）

喜欢ヅ旅行 2022-05-27 13:14 152阅读 0赞

Matlab中常用的分类器有随机森林分类器、支持向量机（SVM）、K近邻分类器、朴素贝叶斯、集成学习方法和鉴别分析分类器等。各分类器的相关Matlab函数使用方法如下：

首先对以下介绍中所用到的一些变量做统一的说明：

train\_data——训练样本，矩阵的每一行数据构成一个样本，每列表示一种特征

train\_label——训练样本标签，为列向量

test\_data——测试样本，矩阵的每一行数据构成一个样本，每列表示一种特征

test\_label——测试样本标签，为列向量

①随机森林分类器（Random Forest）

TB=TreeBagger(nTree,train\_data,train\_label);

predict\_label=predict(TB,test\_data);

②支持向量机（Support Vector Machine，SVM）

SVMmodel=svmtrain(train\_data,train\_label);

predict\_label=svmclassify(SVMmodel,test\_data);

③K近邻分类器（KNN）

KNNmodel=ClassificationKNN.fit(train\_data,train\_label,'NumNeighbors',1);

predict\_label=predict(KNNmodel,test\_data);

④朴素贝叶斯（Naive Bayes）

Bayesmodel=NaiveBayes.fit(train\_data,train\_label);

predict\_label=predict(Bayesmodel,test\_data);

⑤集成学习方法（Ensembles for Boosting）

Bmodel=fitensemble(train\_data,train\_label,'AdaBoostM1',100,'tree','type','classification');

predict\_label=predict(Bmodel,test\_data);

⑥鉴别分析分类器（Discriminant Analysis Classifier）

DACmodel=ClassificationDiscriminant.fit(train\_data,train\_label);

predict\_label=predict(DACmodel,test\_data);

具体使用如下：（练习数据下载地址如下http://en.wikipedia.org/wiki/Iris\_flower\_data\_set，简单介绍一下该数据集：有一批花可以分为3个品种，不同品种的花的花萼长度、花萼宽度、花瓣长度、花瓣宽度会有差异，根据这些特征实现品种分类）

%% 随机森林分类器（Random Forest）
    nTree=10;
    B=TreeBagger(nTree,train_data,train_label,'Method', 'classification');
    predictl=predict(B,test_data);
    predict_label=str2num(cell2mat(predictl));
    Forest_accuracy=length(find(predict_label == test_label))/length(test_label)*100;
    
    %% 支持向量机 
    % SVMStruct = svmtrain(train_data, train_label);
    % predictl=svmclassify(SVMStruct,test_data);
    % predict_label=str2num(cell2mat(predictl));
    % SVM_accuracy=length(find(predict_label == test_label))/length(test_label)*100;  
    
    
    %% K近邻分类器（KNN）
    % mdl = ClassificationKNN.fit(train_data,train_label,'NumNeighbors',1);
    % predict_label=predict(mdl, test_data);
    % KNN_accuracy=length(find(predict_label == test_label))/length(test_label)*100
    
    
    %% 朴素贝叶斯 （Naive Bayes）
    % nb = NaiveBayes.fit(train_data, train_label);
    % predict_label=predict(nb, test_data);
    % Bayes_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');
    % predictl=predict(ens,test_data);
    % predict_label=str2num(cell2mat(predictl));
    % EB_accuracy=length(find(predict_label == test_label))/length(test_label)*100;
    
    %% 鉴别分析分类器（discriminant analysis classifier）
    % obj = ClassificationDiscriminant.fit(train_data, train_label);
    % predictl=predict(obj,test_data);
    % predict_label=str2num(cell2mat(predictl));
    % DAC_accuracy=length(find(predict_label == test_label))/length(test_label)*100;
    
    %% 练习
    % meas=[0 0;2 0;2 2;0 2;4 4;6 4;6 6;4 6];
    % [N n]=size(meas);
    % species={'1';'1';'1';'1';'-1';'-1';'-1';'-1'};
    % ObjBayes=NaiveBayes.fit(meas,species);
    % x=[3 3;5 5];
    % result=ObjBayes.predict(x);