MATLAB SVM实现三分类

### MATLAB SVM 实现三类分类

在 MATLAB 中实现支持向量机 (SVM) 对于多类别分类问题，通常采用一种称为错误修正输出编码 (ECOC, Error-Correcting Output Codes) 的方法。这种方法通过构建多个二元分类器并将它们组合起来解决多类别问题。

下面是一个简单的例子展示如何利用 `fitcecoc` 函数创建一个多类别 ECOC 模型来进行三个类别的分类：

% 加载 Fisher's Iris 数据集作为示例数据
load fisheriris;
X = meas; % 特征矩阵
Y = species; % 类标签

% 将字符串类型的 Y 转换为分类变量
Y = categorical(Y);

% 使用 fitcecoc 训练一个用于三分类的支持向量机模型
Mdl = fitcecoc(X, Y,'Learners', 'svm','Coding', 'onevsall');

% 显示训练好的模型结构摘要
disp(Mdl);

上述代码片段展示了如何加载内置的数据集并准备输入特征 X 和目标变量 Y 。接着调用了 `fitcecoc` 来建立基于 SVM 学习者的 ECOC 编码模型，并指定了 `'onevsall'` 编码策略[^2]。

为了评估所建模的效果，可以进一步编写测试部分如下所示:

% 预测新观测值所属的类别
predictedLabels = predict(Mdl,X);

% 展示预测结果前几条记录及其真实标签对比情况
disp(table(predictedLabels(1:5), Y(1:5),'VariableNames',{'PredictedLabel','TrueLabel'}));

% 绘制混淆矩阵图以直观了解分类性能
confusionchart(Y,predictedLabels);

这段附加的脚本实现了对原始数据集中样本重新做一次预测，并打印出一部分预测的结果同实际标签比较；最后还绘制了一个混淆矩阵图表帮助理解各个类别之间的误判状况。