感知器算法的多分类matlab

感知器算法是一种二分类算法，但可以通过构建多个二分类器实现多分类。在MATLAB中，可以使用分类器工具箱中的perceptron函数来实现感知器算法的多分类。

下面是一个简单的示例，展示如何使用perceptron函数训练一个三分类的感知器模型：

1. 准备数据

假设我们有一个包含3个类别的数据集，每个样本有2个特征。可以使用以下代码生成一个随机数据集：

X = randn(100,2); % 100个样本，每个样本2个特征
Y = datasample([1,2,3],100); % 随机生成每个样本所属的类别

2. 训练模型

然后，可以使用perceptron函数训练模型。我们需要将每个类别与其他类别进行二分类，所以需要进行3次训练。以下是训练代码示例：

models = cell(3,1); % 创建一个3x1的空模型数组
for i = 1:3
    Y_binary = (Y == i); % 将第i类样本标签设置为1，其他样本设置为0
    models{i} = fitcsvm(X,Y_binary,'KernelFunction','linear','ClassNames',[false,true]);
end

这里使用fitcsvm函数训练SVM模型，将第i类样本标签设置为1，其他样本设置为0，这样就可以得到一个二分类模型。将3个二分类模型存储在一个单元格数组models中。

3. 进行预测

训练好模型之后，我们可以使用predict函数进行预测。以下是预测代码示例：

scores = zeros(size(X,1),3); % 创建一个100x3的空分数矩阵
for i = 1:3
    [~,score] = predict(models{i},X); % 使用第i个模型进行预测，并获取预测得分
    scores(:,i) = score(:,2); % 将预测得分存储到分数矩阵中
end
[~,Y_pred] = max(scores,[],2); % 获取每个样本的最高分数对应的类别

这里创建一个100x3的空分数矩阵，使用每个模型进行预测，并将预测得分存储到分数矩阵中。然后，使用max函数获取每个样本的最高分数对应的类别。

完整的代码示例：

% 准备数据
X = randn(100,2); % 100个样本，每个样本2个特征
Y = datasample([1,2,3],100); % 随机生成每个样本所属的类别

% 训练模型
models = cell(3,1); % 创建一个3x1的空模型数组
for i = 1:3
    Y_binary = (Y == i); % 将第i类样本标签设置为1，其他样本设置为0
    models{i} = fitcsvm(X,Y_binary,'KernelFunction','linear','ClassNames',[false,true]);
end

% 进行预测
scores = zeros(size(X,1),3); % 创建一个100x3的空分数矩阵
for i = 1:3
    [~,score] = predict(models{i},X); % 使用第i个模型进行预测，并获取预测得分
    scores(:,i) = score(:,2); % 将预测得分存储到分数矩阵中
end
[~,Y_pred] = max(scores,[],2); % 获取每个样本的最高分数对应的类别