正文

MATLAB配置SVM：轻松入门线性、非线性分类与回归实战技巧

/0 浏览量
0402

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。在MATLAB中配置SVM不仅简单，而且功能强大。本文将带你轻松入门线性、非线性分类与回归实战技巧。

线性分类

1. 数据准备

在MATLAB中，首先需要准备数据。以下是一个简单的线性分类数据集：

% 创建数据
X = [1 2; 3 4; 5 6; 7 8];
y = [1; 1; -1; -1];

% 绘制数据点
figure;
scatter(X(:,1), X(:,2), y, 'filled');
xlabel('Feature 1');
ylabel('Feature 2');
title('Linear Classification Data');

2. 配置SVM

接下来，我们将使用fitcsvm函数配置SVM模型：

% 配置SVM模型
model = fitcsvm(X, y, 'KernelFunction', 'linear');

这里，我们使用了线性核函数。

3. 预测与评估

使用训练好的模型进行预测，并评估模型性能：

% 预测
y_pred = predict(model, X);

% 评估
accuracy = sum(y_pred == y) / numel(y);
disp(['Accuracy: ', num2str(accuracy)]);

非线性分类

1. 数据准备

非线性分类数据集如下：

% 创建数据
X = [1 2; 3 4; 5 6; 7 8; 9 10];
y = [1; 1; -1; -1; -1];

% 绘制数据点
figure;
scatter(X(:,1), X(:,2), y, 'filled');
xlabel('Feature 1');
ylabel('Feature 2');
title('Nonlinear Classification Data');

2. 配置SVM

使用径向基函数（RBF）核配置SVM模型：

% 配置SVM模型
model = fitcsvm(X, y, 'KernelFunction', 'rbf');

3. 预测与评估

与线性分类类似，进行预测和评估：

% 预测
y_pred = predict(model, X);

% 评估
accuracy = sum(y_pred == y) / numel(y);
disp(['Accuracy: ', num2str(accuracy)]);

线性回归

1. 数据准备

线性回归数据集如下：

% 创建数据
X = [1; 2; 3; 4; 5];
y = [2; 4; 5; 4; 5];

% 绘制数据点
figure;
plot(X, y, 'o');
xlabel('Feature');
ylabel('Target');
title('Linear Regression Data');

2. 配置SVM

使用线性核配置SVM回归模型：

% 配置SVM模型
model = fitrsvm(X, y, 'KernelFunction', 'linear');

3. 预测与评估

进行预测和评估：

% 预测
y_pred = predict(model, X);

% 评估
mse = mean((y_pred - y).^2);
disp(['Mean Squared Error: ', num2str(mse)]);

总结

通过本文，你已成功入门MATLAB配置SVM进行线性、非线性分类与回归实战。在实际应用中，你可以根据自己的需求调整核函数、参数等，以达到更好的效果。祝你学习愉快！

-- 展开阅读全文 --