matlab svm分类

使用MATLAB进行SVM分类可以按照以下步骤进行：

1. 准备数据集：将数据集分成训练集和测试集，并进行标准化处理。
2. 训练SVM分类器：使用fitcsvm函数进行SVM分类器的训练，设置SVM的类型和核函数等参数。
3. 预测结果：使用predict函数对测试集进行预测，并计算分类准确率。

具体的代码实现如下：

% 准备数据集
load fisheriris
X = meas(:,1:2);
Y = species;

% 将数据集分成训练集和测试集，并进行标准化处理
cv = cvpartition(Y,'HoldOut',0.3);
idxTrain = training(cv);
Xtrain = X(idxTrain,:);
Ytrain = Y(idxTrain,:);
Xtest = X(~idxTrain,:);
Ytest = Y(~idxTrain,:);
Xtrain = zscore(Xtrain);
Xtest = zscore(Xtest);

% 训练SVM分类器
SVMModel = fitcsvm(Xtrain,Ytrain,'KernelFunction','rbf','Standardize',true);

% 预测结果
Ypred = predict(SVMModel,Xtest);
accuracy = sum(Ypred==Ytest)/numel(Ytest);
fprintf('分类准确率为: %.2f%%\n',accuracy*100);

以上代码使用鸢尾花数据集进行SVM分类，使用径向基函数作为核函数，计算出测试集的分类准确率。