采用交叉验证等方法选择最优的超参数。Matlab代码

在MATLAB中，可以使用内置的`fitcsvm`函数来训练SVM模型，并使用`crossval`函数进行交叉验证来选择最优的超参数。下面是一个简单的示例代码：

% 加载数据
load fisheriris
X = meas(:,1:2);
Y = (strcmp(species,'setosa'));

% 定义超参数搜索范围
CRange = 2.^(-5:5);
sigmaRange = 2.^(-5:5);

% 定义交叉验证参数
cvp = cvpartition(Y,'KFold',10);

% 交叉验证搜索最优超参数
t = templateSVM('Standardize',true);
params = {'BoxConstraint',CRange,'KernelFunction','rbf','KernelScale',sigmaRange};
svm = fitcecoc(X,Y,'Learners',t,'HyperparameterOptimizationOptions',struct('Optimizer','bayesopt','CVPartition',cvp,'AcquisitionFunctionName','expected-improvement-plus','MaxObjectiveEvaluations',30,'ShowPlots',true),params{:});

% 输出最优超参数和最优分类器
bestSVM = svm.HyperparameterOptimizationResults.BestObjective;
bestParams = svm.HyperparameterOptimizationResults.XAtMinObjective;
bestClassifier = fitcsvm(X,Y,'KernelFunction','rbf','KernelScale',bestParams(2),'BoxConstraint',bestParams(1),'Standardize',true);

在这个示例代码中，我们使用了`fitcecoc`函数来训练一个多类SVM分类器。然后，我们定义了超参数搜索范围，并使用`cvpartition`函数创建了一个交叉验证分区对象。接着，我们使用`fitcecoc`函数的`HyperparameterOptimizationOptions`选项来设置超参数优化选项。在这个例子中，我们使用贝叶斯优化作为优化器，选择了10折交叉验证，并使用“expected-improvement-plus”作为获得函数来选择下一个超参数。最后，我们输出了最优超参数和最优分类器。