matlab自带各种分类器的使用示例

r囧r小猫 2022-12-11 04:29 144阅读 0赞

目前了解到的 MATLAB 中分类器有： K 近邻分类器，随机森林分类器，朴素贝叶斯，集成学习方法，鉴别分析分类器，支持向量机。现将其主要函数使用方法总结如下，更多细节需参考 MATLAB 帮助文件。  
设  
　　训练样本： train\_data             % 矩阵，每行一个样本，每列一个特征  
　　训练样本标签： train\_label       % 列向量  
　　测试样本： test\_data  
　　测试样本标签： test\_label  
   
K 近邻分类器  （ 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  
                 
   
随机森林分类器（ Random Forest ）  
B = TreeBagger(nTree,train\_data,train\_label);  
predict\_label = predict(B,test\_data);  
   
   
朴素贝叶斯  （ 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;  
   
   
集成学习方法（ Ensembles for Boosting, Bagging, or Random Subspace ）  
ens = fitensemble(train\_data,train\_label,'AdaBoostM1' ,100,'tree','type','classification');  
predict\_label   =       predict(ens, test\_data);  
   
   
鉴别分析分类器（ discriminant analysis classifier ）  
obj = ClassificationDiscriminant.fit(train\_data, train\_label);  
predict\_label   =       predict(obj, test\_data);  
   
   
支持向量机（ Support Vector Machine, SVM ）  
SVMStruct = svmtrain(train\_data, train\_label);

predict\_label  = svmclassify(SVMStruct, test\_data)

我自己代码如下：

clc
    clear all 
     load('wdtFeature');
     
    %  　　训练样本：train_data             % 矩阵，每行一个样本，每列一个特征
    % 　　训练样本标签：train_label       % 列向量
    % 　　测试样本：test_data
    % 　　测试样本标签：test_label
     train_data = traindata'
     train_label = trainlabel'
     test_data = testdata'
     test_label = testlabel'
    %  K近邻分类器 （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%
    % 随机森林分类器（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%
     
    % **********************************************************************
    % 朴素贝叶斯 （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;
    % 
    % 
    % % 结果 81%
    % % **********************************************************************
    % % 集成学习方法（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
     
    % 结果 97%
    % **********************************************************************
    % 鉴别分析分类器（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%
    % **********************************************************************
    % 支持向量机（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%