引言
支持向量机（Support Vector Machine，SVM）是一种强大的机器学习算法，广泛应用于分类和回归问题。MATLAB作为一款功能强大的数学计算软件，提供了丰富的工具箱和函数，使得SVM在MATLAB中的实现变得简单高效。本文将带你轻松上手MATLAB，学习如何实现SVM分类与回归应用。
1. SVM基本原理
SVM通过寻找最优的超平面，将不同类别的数据点分开。在二维空间中，这个超平面是一个直线，而在高维空间中，则是一个超平面。SVM的核心思想是最大化分类间隔，即最大化不同类别之间的距离。
2. MATLAB中SVM分类
2.1 准备数据
在MATLAB中，首先需要准备数据集。以下是一个简单的示例：
% 创建数据
X = [1, 2; 1, 3; 2, 2; 2, 4];
Y = [1, 1, -1, -1];
这里，X是输入特征，Y是标签，其中1表示正类，-1表示负类。
2.2 训练SVM模型
使用fitcsvm函数训练SVM分类模型：
% 训练SVM模型
model = fitcsvm(X, Y);
2.3 预测新数据
使用训练好的模型对新数据进行预测：
% 预测新数据
X_new = [1, 2];
Y_pred = predict(model, X_new);
3. MATLAB中SVM回归
3.1 准备数据
与分类问题类似，首先需要准备数据集：
% 创建数据
X = [1, 2; 1, 3; 2, 2; 2, 4];
Y = [2, 3, 4, 5];
这里，X是输入特征，Y是目标值。
3.2 训练SVM回归模型
使用fitrsvm函数训练SVM回归模型：
% 训练SVM回归模型
model = fitrsvm(X, Y);
3.3 预测新数据
使用训练好的模型对新数据进行预测：
% 预测新数据
X_new = [1, 2];
Y_pred = predict(model, X_new);
4. 总结
通过本文的学习，相信你已经掌握了在MATLAB中实现SVM分类与回归应用的基本方法。在实际应用中，可以根据需要调整SVM的参数，以获得更好的效果。希望这篇文章能够帮助你轻松上手MATLAB，并更好地应用SVM算法。