matlab自带各种分类器的使用示例

全文转至 u014114990的专栏，address：https://blog.csdn.net/u014114990/article/details/51067059

个人修改建议：

训练数据和验证数据直接以M*N表示（行表示特征个数，列为样本个数），这样可以避免后续的转置操作。

 

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)

代码：
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%