求支持向量机二分类的混淆矩阵、准确率、精确率、召回率、F1值、Loss曲线、AUC、ROC曲线，给出matlab完整代码

支持向量机（SVM）是一种常用的机器学习算法，用于二分类任务。评价指标如混淆矩阵、准确率、精确率、召回率、F1值等可以帮助我们理解模型性能。以下是这些概念以及如何计算它们，并结合MATLAB代码示例：

1. **混淆矩阵**: 表示真实类别与预测类别之间的对比。对于二分类，它是一个2x2矩阵，包括真正例(TP)、假正例(FP)、真反例(TN)和假反例(FN)。

% 假设y_true是实际标签，y_pred是预测标签
confMat = confusionmat(y_true, y_pred);

2. **准确率 (Accuracy)**: (TP + TN) / (TP + TN + FP + FN)

accuracy = sum(diag(confMat)) / sum(confMat(:));

3. **精确率 (Precision)**: TP / (TP + FP)

4. **召回率 (Recall/Sensitivity)**: TP / (TP + FN)

5. **F1值**: 2 * Precision * Recall / (Precision + Recall)

6. **Loss曲线**: 可能需要训练过程中的损失数据才能绘制，通常使用交叉验证得到多个模型，然后取平均。对于线性SVM，可以使用`svmtrain`函数的训练结果查看。

7. **AUC (Area Under the Curve)**: ROC曲线下面积，衡量的是模型区分正负样本的能力。在MATLAB中，可以使用`perfcurve`函数生成ROC数据，再用`auc`计算AUC。

8. **ROC曲线**: 真实阳性率(True Positive Rate, TPR) vs. 假阳性率(False Positive Rate, FPR)。`perfcurve`函数会直接生成ROC数据，`plot`函数可以绘制出来。

完整的代码示例可能会包含数据预处理、模型训练、评估和可视化部分。请注意，为了实际运行代码，你需要准备一个SVM二分类的数据集，并调整适当的参数。这里只是一个基本框架：

% 加载数据并分割成训练集和测试集
load('your_data.mat');
[~, X_train, y_train] = trainTestSplit(X, y, 'HoldOut', 0.3); % 假设X是特征，y是标签

% 训练SVM模型
svmModel = fitcsvm(X_train, y_train);

% 预测测试集
y_pred = predict(svmModel, X_test);

% 计算混淆矩阵
confMat = confusionmat(y_test, y_pred);

% 其他指标计算
...
% 绘制Loss曲线和ROC曲线
...

% AUC计算
[~, fpr, tpr, thresholds] = perfcurve(y_test, y_pred, 'PositiveClass', 1);
aucScore = auc(fpr, tpr);

% ROC曲线
plot(fpr, tpr)
xlabel('False Positive Rate')
ylabel('True Positive Rate')
title(['ROC Curve (AUC = ' num2str(aucScore) ')'])

别忘了替换上述代码中的数据集名以及所需的参数设置。