支持向量机matlab源代码

支持向量机（Support Vector Machine，SVM）是一种机器学习算法，用于分类和回归分析。其基本思想是通过对数据进行非线性映射，将数据映射到高维空间中，使得在高维空间中存在一个最优的超平面，能够最大程度地将不同类别的数据分开。

以下是使用MATLAB编写的一个简单的支持向量机源代码示例：

% 生成一些示例数据
rng(1); % 设置随机种子
X = [randn(50,2)+ones(50,2); randn(50,2)-ones(50,2)];
Y = [ones(50,1); -ones(50,1)];

% 使用SVM进行训练
svmModel = fitcsvm(X, Y);

% 进行预测
label = predict(svmModel, X);

% 计算准确率
accuracy = sum(label == Y) / numel(Y);

% 可视化结果
gscatter(X(:,1), X(:,2), Y, 'rb', 'o+');
hold on;

% 绘制决策边界
XLIMs = get(gca,'xlim');
YLIMs = get(gca,'ylim');
xPoints = XLIMs(1):.01:XLIMs(2);
yPoints = YLIMs(1):.01:YLIMs(2);
[XX,YY] = meshgrid(xPoints,yPoints);
points = [XX(:) YY(:)];
pred = predict(svmModel, points);
gridPred = reshape(pred, size(XX));
contour(XX, YY, gridPred, 1, 'k');

% 设置图形属性
title('支持向量机示例');
legend('正例', '负例', '决策边界');
hold off;

这个简单的示例代码中使用的是线性核函数，默认的SVM实现是基于序列最小优化算法（Sequential Minimal Optimization，SMO）。

要使用SVM解决更复杂的问题，可以对核函数进行定制和调整，也可以尝试不同的SVM实现库。还可以通过交叉验证和调参选择合适的超参数和核函数类型。

以上只是一个简单的示例，真实的应用中可能需要更多的数据预处理、特征选择和模型优化步骤。