matlab建立支持向量机分类模型

要在MATLAB中建立支持向量机分类模型，可以按照以下步骤操作：

1. 准备数据：将数据集分为训练集和测试集，并将它们导入MATLAB中。

2. 选择SVM类型：根据数据集的特性和目标，选择合适的SVM类型，包括线性SVM、非线性SVM和核函数SVM等。

3. 训练模型：使用训练集数据，训练SVM模型，并通过交叉验证等方法对模型进行优化和调整。

4. 测试模型：使用测试集数据，评估模型的性能和准确度，并对模型进行调整和改进。

下面是一个简单的示例代码，展示如何在MATLAB中建立一个基本的支持向量机分类模型：

% 导入数据
load fisheriris
X = meas(:,3:4);
Y = species;

% 划分训练集和测试集
cv = cvpartition(Y,'HoldOut',0.3);
idx = cv.test;

Xtrain = X(~idx,:);
Ytrain = Y(~idx,:);
Xtest  = X(idx,:);
Ytest  = Y(idx,:);

% 训练模型
svmModel = fitcsvm(Xtrain,Ytrain,'KernelFunction','rbf','Standardize',true,'ClassNames',{'setosa','versicolor','virginica'});

% 测试模型
Ypred = predict(svmModel,Xtest);
accuracy = sum(Ypred==Ytest)/numel(Ytest);

% 可视化分类结果
h(1:3) = gscatter(X(:,1),X(:,2),Y);
hold on
h(4) = plot(Xtest(Ypred=='setosa',1),Xtest(Ypred=='setosa',2),'ko','MarkerSize',10);
h(5) = plot(Xtest(Ypred=='versicolor',1),Xtest(Ypred=='versicolor',2),'ko','MarkerSize',10);
h(6) = plot(Xtest(Ypred=='virginica',1),Xtest(Ypred=='virginica',2),'ko','MarkerSize',10);
hold off
title(sprintf('SVM Classification with Accuracy = %.2f%%',accuracy*100));
legend(h,{'setosa','versicolor','virginica','setosa Correct','versicolor Correct','virginica Correct'},'Location','Southeast');

在这个示例中，我们使用了鸢尾花数据集作为示例数据，并使用了径向基函数（rbf）作为核函数来训练一个分类支持向量机模型。最后，我们使用测试集数据对模型进行测试，并通过可视化来展示分类结果。