matlab实现逻辑回归多分类代码

在Matlab中实现逻辑回归的多分类问题，你可以使用一对多（One-vs-All）策略。以下是一个简单的示例代码：

% 准备训练数据
load('data.mat'); % 加载数据，其中X为特征矩阵，y为标签向量
[m, n] = size(X); % m为样本数，n为特征数
num_labels = 3; % 类别数

% 添加偏置项
X = [ones(m, 1) X];

% 初始化参数矩阵
initial_theta = zeros(n + 1, 1);

% 使用梯度下降进行多类别逻辑回归训练
options = optimset('GradObj', 'on', 'MaxIter', 50);
for c = 1:num_labels
    % 对每个类别训练一个分类器
    [theta(:, c), cost] = fminunc(@(t)(costFunction(t, X, (y == c))), initial_theta, options);
end

% 预测新样本的类别
probabilities = sigmoid(X * theta);
[~, class] = max(probabilities, [], 2); % 获取最大概率对应的类别

% 显示预测结果
fprintf('Training Set Accuracy: %.2f%%\n', mean(double(class == y)) * 100);

这段代码中，我们先将特征矩阵X进行扩展，添加一列全为1的偏置项。然后，使用循环来训练每个类别的分类器，其中每个分类器将该类别作为正例，其他所有类别作为负例。最后，我们使用训练好的模型来预测新样本的类别，并计算准确率。

注意，这里的costFunction函数和sigmoid函数可以使用之前提到的逻辑回归的代码中的函数。另外，这里使用了Matlab内置的优化函数fminunc来进行梯度下降，可以根据需要进行调整。

希望对你有所帮助！