简介
支持向量机（Support Vector Machine，SVM）是一种有效的分类和回归分析工具。在MATLAB中，使用SVM进行数据分析和建模非常方便。本文将详细介绍如何在MATLAB中快速上手SVM，并通过一个简单的例子展示如何调用SVM进行分类。
环境准备
在使用SVM之前，请确保您的MATLAB中已经安装了统计与机器学习工具箱。
步骤一：准备数据
在MATLAB中，我们通常使用load函数加载数据集，或者使用csvread、readtable等函数从CSV文件或表格中读取数据。以下是一个示例数据集：
data = csvread('data.csv');
假设我们的数据集有两列，第一列是特征，第二列是标签。
步骤二：创建SVM分类器
在MATLAB中，我们可以使用fitcsvm函数创建SVM分类器。以下是一个示例代码：
SVMModel = fitcsvm(data(:, 1), data(:, 2), 'KernelFunction', 'linear');
在这段代码中，fitcsvm函数的输入参数包括：
data(:, 1)：特征数据data(:, 2)：标签数据'KernelFunction'：核函数，这里使用线性核函数'linear'
步骤三：评估模型
创建模型后，我们可以使用crossval函数对模型进行交叉验证，以评估其性能：
kfold = cvpartition(size(data, 1), 'KFold', 10);
errorEstimator = crossval(SVMModel, kfold);
disp(errorEstimator.Mean)
这段代码将模型分为10个折，并对每个折进行交叉验证，最后输出平均误差。
步骤四：使用模型进行预测
创建并评估模型后，我们可以使用predict函数对新数据进行预测：
testData = [0.5, 0.5];
prediction = predict(SVMModel, testData);
disp(prediction)
在这段代码中，testData是待预测的数据点，predict函数将返回预测结果。
总结
通过以上步骤，我们已经在MATLAB中成功创建了SVM分类器，并对新数据进行预测。SVM是一种非常强大的分类工具，在多个领域都有广泛应用。希望本文能帮助您快速上手SVM在MATLAB中的应用。