易损性曲线的matlab代码

易损性曲线（Receiver Operating Characteristic, ROC）是一种常用的技术，用于评估二分类模型的性能。在MATLAB中，你可以使用`fitcsvm`函数创建支持向量机（SVM），然后通过`predict`函数生成预测结果，再计算出真正率（True Positive Rate, TPR）和假正率（False Positive Rate, FPR），从而绘制ROC曲线。

下面是一个简单的示例代码：

% 加载数据集
load fisheriris; % 假设我们使用Iris数据集

% 划分训练集和测试集
cv = cvpartition(species,'HoldOut',0.3); % 30%的数据作为测试集
XTrain = meas(cv.training,:);
YTrain = species(cv.training,:);
XTest = meas(cv.test,:);
YTest = species(cv.test,:);

% 使用线性核支持向量机
svmModel = fitcsvm(XTrain,YTrain,'KernelFunction','linear');

% 预测并获取决策值
YPred = predict(svmModel,XTest);
scores = predict(svmModel,XTest,'Score'); % 获取每个样本的决策值

% 计算真正率和假正率
[~, YPredLabels] = max(scores,[],2);
TPR = cumsum(YPredLabels == YTest) / sum(YTest == 'versicolor');
FPR = cumsum(YPredLabels ~= YTest) / sum(YTest ~= 'versicolor');

% 绘制易损性曲线
plot(FPR, TPR, 'b');
xlabel('False Positive Rate');
ylabel('True Positive Rate');
title('ROC Curve for SVM on Iris Data');
grid on;

% 添加AUC（Area Under the Curve）指标
auc = trapz(FPR, TPR);
fprintf('Area Under Curve (AUC): %.2f\n', auc);

这个例子中，我们首先划分了数据，然后训练了一个线性SVM模型。接着，我们预测了测试集的结果，并计算出真正率和假正率。最后，我们画出了易损性曲线，并计算了曲线下面积（AUC），这是评估模型性能的一个重要指标。