Matlab代码网格搜索寻找最优超参数训练svm二分类

在MATLAB中，使用内置的`fitcsvm`函数可以训练SVM模型，并使用网格搜索（Grid Search）来寻找最优的超参数。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 = [0.01 0.1 1 10 100];
sigmaRange = [0.01 0.1 1 10 100];

% 定义网格搜索参数
svm = templateSVM('KernelFunction','gaussian','BoxConstraint',1,'KernelScale',1);
options = struct('Verbose',0,'CVPartition',cvpartition(Y,'KFold',10),'HyperparameterRange',struct('BoxConstraint',CRange,'KernelScale',sigmaRange));

% 网格搜索最优超参数
svmModel = fitcecoc(X,Y,'Learners',svm,'HyperparameterOptimizationOptions',options);
bestParams = svmModel.HyperparameterOptimizationResults.XAtMinObjective;
bestBoxConstraint = bestParams(1);
bestKernelScale = bestParams(2);

% 训练最优超参数的SVM模型
bestSVM = fitcsvm(X,Y,'KernelFunction','gaussian','BoxConstraint',bestBoxConstraint,'KernelScale',bestKernelScale);

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10折交叉验证分区对象。接着，我们使用`templateSVM`函数创建了一个SVM模板，并在其上设置了固定超参数。最后，我们使用`fitcecoc`函数的`HyperparameterOptimizationOptions`选项来设置网格搜索选项。在这个例子中，我们使用了10折交叉验证，并设置了超参数搜索范围。最后，我们输出了最优超参数，并训练了一个使用最优超参数的SVM模型。