请给出Cost-Sensitive SVM图像的MATLAB代码

### 回答1：
下面是一个简单的Cost-Sensitive SVM的MATLAB代码示例：

假设我们有一个二元分类问题，其中正类的代价为10，负类的代价为1。我们可以使用内置函数fitcsvm来训练一个Cost-Sensitive SVM模型。

% 加载数据集
load fisheriris
X = meas(51:end,3:4);
Y = (strcmp('versicolor',species(51:end)));

% 定义代价矩阵
C = [0 1; 10 0];

% 训练Cost-Sensitive SVM模型
svmModel = fitcsvm(X,Y,'Cost',C,'KernelFunction','rbf','Standardize',true);

% 绘制决策边界
figure;
gscatter(X(:,1),X(:,2),Y);
hold on;
h = ezplot(@(x1,x2)predict(svmModel,[x1,x2]),get(gca,'XLim'),get(gca,'YLim'));
set(h,'Color','k','LineWidth',2);
title('Cost-Sensitive SVM with RBF Kernel');
xlabel('Petal Length');
ylabel('Petal Width');
legend({'Negative','Positive','Decision Boundary'},'Location','Best');

在这个示例中，我们首先加载了鸢尾花数据集，然后定义了一个2x2的代价矩阵C，其中负类的代价为1，正类的代价为10。然后使用fitcsvm函数训练了一个Cost-Sensitive SVM模型，使用RBF核函数和标准化数据。最后，我们绘制了决策边界和数据点。

### 回答2：
使用MATLAB实现Cost-Sensitive SVM图像分类的代码如下：

% 1. 加载数据
load('data.mat'); % 数据文件包含特征向量和标签

% 2. 分割训练集和测试集
trainData = data.trainData;
trainLabels = data.trainLabels;
testData = data.testData;
testLabels = data.testLabels;

% 3. 设置分类器参数
C_pos = 1; % 正样本惩罚因子
C_neg = 10; % 负样本惩罚因子
weights = ones(size(trainLabels)); % 初始化样本权重
weights(trainLabels == 1) = C_pos; % 设置正样本权重
weights(trainLabels == -1) = C_neg; % 设置负样本权重

% 4. 训练Cost-Sensitive SVM模型
model = fitcsvm(trainData, trainLabels, 'KernelFunction', 'linear', 'Cost', [0 C_neg; C_pos 0], 'Weights', weights);

% 5. 在测试集上进行预测
predictedLabels = predict(model, testData);

% 6. 计算准确率
accuracy = sum(predictedLabels==testLabels) / numel(testLabels);
disp(['准确率：' num2str(accuracy)]);

% 7. 绘制决策边界
% 参考：https://www.mathworks.com/matlabcentral/answers/272589-how-to-plot-decision-boundary-of-2d-dataset
x = testData(:,1);
y = testData(:,2);
h = 0.02;
[x1Grid,x2Grid] = meshgrid(min(x):h:max(x), min(y):h:max(y));
xGrid = [x1Grid(:),x2Grid(:)];
[~,scores] = predict(model,xGrid);
figure(1);
gscatter(xGrid(:,1),xGrid(:,2),scores(:,2)>0);
hold on;
gscatter(x(:,1),x(:,2),testLabels);
hold off;
legend('Positive Class','Negative Class','Location','Best');
xlabel('特征1');
ylabel('特征2');

需要注意的是，上述代码中的 `data.mat` 文件需要包含 `trainData`、`trainLabels`、`testData` 和 `testLabels` 四个变量，分别表示训练集的特征向量、训练集的标签、测试集的特征向量和测试集的标签。

### 回答3：
下面是使用MATLAB编写的Cost-Sensitive SVM图像分类的示例代码：

% 导入图像数据
imageData = imageDatastore('图像文件夹路径', 'LabelSource', 'foldernames');

% 划分训练集和测试集
[trainData, testData] = splitEachLabel(imageData, 0.8, 'randomized');

% 提取图像特征
featureExtractor = @(img)extractHOGFeatures(rgb2gray(img)); % 使用HOG特征
trainFeatures = cellfun(featureExtractor, trainData.Images, 'UniformOutput', false);
testFeatures = cellfun(featureExtractor, testData.Images, 'UniformOutput', false);

% 将特征和标签转换为矩阵形式
X_train = cat(1, trainFeatures{:});
y_train = trainData.Labels;

X_test = cat(1, testFeatures{:});
y_test = testData.Labels;

% 构建Cost-Sensitive SVM模型
positiveCost = 1; % 正例的代价
negativeCost = 5; % 反例的代价

SVMModel = fitcsvm(X_train, y_train, 'BoxConstraint', 1, ...
    'KernelFunction', 'linear', 'KernelScale', 'auto', ...
    'Cost',[0, negativeCost; positiveCost, 0]);

% 进行预测
y_pred = predict(SVMModel, X_test);

% 计算准确率
accuracy = sum(y_pred == y_test) / numel(y_test);

disp(['准确率：', num2str(accuracy)]);

在上面的代码中，需要将`图像文件夹路径`替换为包含训练和测试图像的文件夹的路径。通过HOG特征提取器提取每个图像的特征，并将其转换为矩阵形式。然后，使用`fitcsvm`函数构建Cost-Sensitive SVM模型，并使用预测得到的模型对测试集进行分类。最后，计算预测结果的准确率并输出。