请介绍 SVM 的应用并用 MATLAB 代码仿真实现

支持向量机（SVM, Support Vector Machine）是一种强大的监督学习模型，常用于分类和回归任务，特别是在数据集线性可分的情况下。它的核心思想是在特征空间找到最优超平面，最大化类别间的间隔。SVM的应用非常广泛，包括但不限于：

1. 图像识别：通过提取图像特征进行分类，比如人脸识别、手写数字识别等。
2. 文本分类：如垃圾邮件检测、情感分析等。
3. 生物信息学：基因表达数据分析、蛋白质结构预测等。
4. 金融领域：信用评分、欺诈检测等。

在MATLAB中，我们可以使用`fitcsvm`函数来进行SVM分类器的训练。以下是一个简单的例子，假设我们有一对二分类的数据集`X`和对应的标签`y`：

% 加载样本数据和标签（这里假设已经准备好的数据）
load fisheriris; % 使用Iris数据集作为示例
X = meas; % 特征数据
y = species; % 类别标签

% 创建SVM分类器，使用默认设置
svmModel = fitcsvm(X, y);

% 预测新数据点
newData = [5.1 3.5 1.4 0.2]; % 新的一条花的数据
predictedClass = predict(svmModel, newData); % 预测其类别

% 可视化决策边界
figure;
predictPlot = predict(svmModel, meshgrid(min(X(:,1)), max(X(:,1))));
imagesc(predictPlot);
colormap jet;
hold on;
scatter(X(:,1), X(:,2), [], y, 'filled');
xlabel('特征1');
ylabel('特征2');
title('SVM决策边界');