SVM matlab 多分类

在MATLAB中，支持向量机（SVM）对于多分类问题可以采用一种叫做“一对一”（one-vs-one）或“一对多”（one-vs-rest）策略。下面是这两种策略的基本介绍以及它们在MATLAB中的应用：

### 1. One-vs-One (OVO)
- **原理**: 对于每个类别对，训练一个二元分类器，判断该样本属于A类别还是B类别。最后，投票决定样本属于哪个类别。这种方法生成的模型数量是类别总数的C(Classes) choose 2。
- **MATLAB实现**: `fitcecoc`函数常用于此策略，它会自动处理多类问题。给定训练数据和标签后，`Mdl = fitcecoc(X, Y)`即可创建模型。

### 2. One-vs-Rest (OVR)
- **原理**: 对于每一个类别，训练一个二元分类器，判断样本是否属于当前类别。预测时，选择得分最高的作为预测类别。这种方法只需训练C个独立的二分类器。
- **MATLAB实现**: `fitcsvm`函数可以直接处理二分类问题，但在OVR策略下，需要手动设置多类逻辑，比如`predictLabel`函数配合`ovo2ovr`转换。

为了在MATLAB中执行多分类SVM，你可以按照以下步骤操作：

1. 准备数据集（`X`是特征矩阵，`Y`是类别向量）
2. 使用`fitcecoc`或根据OVR需求调整`fitcsvm`
3. 训练模型：`Mdl = fitcecoc(X, Y)`
4. 预测新数据：`PredictedLabels = predict(Mdl, newX)`
5. 分析性能：使用`confusionmat`或`classperf`等函数