matlabSVM分类器

### MATLAB SVM 分类器使用教程

#### 创建和支持向量机模型
在MATLAB中创建支持向量机(SVM)分类器通常涉及`fitcsvm`函数用于二分类问题，而针对多类别分类，则可以采用`fitcecoc`编码解码策略构建多个二元SVM分类器组合[^1]。

% 加载内置鸢尾花数据集作为例子
load fisheriris;
X = meas; % 特征矩阵
Y = species;% 类标签

% 划分训练集和测试集
cv = cvpartition(size(X,1),'HoldOut',0.3);
idxTrain = training(cv); % 训练索引
idxTest = test(cv);      % 测试索引

% 基于训练数据拟合SVM模型
Mdl = fitcsvm(X(idxTrain,:),Y(idxTrain));

此段代码展示了如何加载一个简单的数据集并划分成训练集与测试集合，接着利用`fitcsvm`建立了一个基础的支持向量机模型[^2]。

#### 调整参数提高性能
为了改善SVM的表现，可以通过调整诸如盒约束(`BoxConstraint`)、核尺度(`KernelScale`)等超参来实现更优的结果。这些参数可通过交叉验证自动寻优获得最佳配置：

tunedParams = optimizableVariable('boxconstraint',[1e-3,1e3],'Type','real');
tunedParams = [tunedParams;optimizableVariable('kernelscale',[1e-3,1e3],'Type','real')];

bayesopt(@(params)crossvalLoss(params,X,Y),...
         tunedParams,...
         'Verbose',0,'MaxObjectiveEvaluations',30);

function loss = crossvalLoss(params,Xtrain,ytrain)
    Mdl = fitcsvm(Xtrain,ytrain,...
                  'OptimizeHyperparameters',{'BoxConstraint','KernelScale'},...
                  'HyperparameterOptimizationOptions',...
                  struct('AcquisitionFunctionName','expected-improvement-plus'));
    kfoldModel = crossval(Mdl);
    loss = kfoldLoss(kfoldModel);
end

上述脚本通过贝叶斯优化方法搜索合适的盒约束和内核比例值以降低交叉验证损失。

#### 执行预测评估效果
一旦完成了模型训练及其调校过程之后，就可以运用它来进行新实例的预测工作，并计算相应的准确性指标如混淆矩阵、ROC曲线下的面积(AUC)等等:

predictedLabels = predict(Mdl,X(idxTest,:));

confusionchart(Y(idxTest),predictedLabels)

cm = confusionmat(Y(idxTest),predictedLabels);
accuracy = sum(diag(cm))/sum(cm(:))

这里先是对未知样本进行了类别归属推测操作；随后借助`confusionchart`绘制出了直观易懂的错误分布图谱；最后统计了整体识别率这一衡量标准。