matlab 计算样本可分性

在MATLAB中，计算样本可分性通常涉及到评估数据集的线性或非线性可分程度。样本可分性可以通过几种统计量或机器学习算法来度量，例如：

1. **支持向量机（SVM）间隔**：SVM通过最大化分类边界的间隔（margin）来衡量数据的可分性。如果SVM找到一个完美分离的超平面，那么样本就是完全可分的。

load fisheriris; % 加载鸢尾花数据集
svmModel = fitcsvm(meas,species); % 使用SVM拟合数据
margin = getSVMHyperplane(svmModel).SupportVectors'; % 计算间隔

2. **Jaccard相似度**：适用于二分类情况下的可分性分析，计算正负样本间的交并比。当所有样本都能明确分为两类时，Jaccard值接近0或1。

posIndices = find(species == 'versicolor'); % 正样本索引
negIndices = find(species ~= 'versicolor'); % 负样本索引
union = [meas(posIndices), meas(negIndices)];
jaccard = numel(intersect(union, posIndices)) / numel(union);

3. **轮廓系数（Silhouette Coefficient）**：用于聚类评估，表示样本与其所在簇的紧密度与与其他簇的疏远度之间的平衡。数值范围从-1到1，越接近1说明样本越可分。

[idx, ~] = kmeans(meas, 3); % 尝试将数据分为3类
silhouetteValue = silhouette(meas, idx);
meanSilhouette = mean(silhouetteValue(:));