支持向量机模型预测例子

好的，以下是一个简单的支持向量机模型预测例子：

假设我们有一组数据，包括两个特征 X1 和 X2，以及对应的目标值 y。我们想要训练一个支持向量机模型，来预测给定一组新的特征值 X1_new 和 X2_new 时，对应的目标值 y_new。

首先，我们需要将数据集分为训练集和测试集，用于训练模型和评估模型的性能。然后，我们可以使用 fitrsvm 函数训练支持向量机模型，代码如下：

% 生成数据集
n = 100; % 样本数量
X1 = randn(n,1); % 特征 X1
X2 = randn(n,1); % 特征 X2
y = 2*X1 - 3*X2 + randn(n,1); % 目标值 y

% 划分训练集和测试集
idx = randperm(n);
num_train = 80;
X_train = [X1(idx(1:num_train)), X2(idx(1:num_train))];
y_train = y(idx(1:num_train));
X_test = [X1(idx(num_train+1:end)), X2(idx(num_train+1:end))];
y_test = y(idx(num_train+1:end));

% 训练支持向量机模型
svmModel = fitrsvm(X_train, y_train, 'KernelFunction', 'linear');

% 预测测试集目标值
y_pred = predict(svmModel, X_test);

% 计算模型均方误差
mse = mean((y_pred - y_test).^2);
disp(['模型均方误差：' num2str(mse)]);

在上面的代码中，我们使用了线性核函数来训练支持向量机模型，fitrsvm 函数默认使用的是线性核函数，所以这里可以省略不写。预测测试集目标值时，我们使用 predict 函数根据训练好的模型进行预测，最后计算模型的均方误差来评估模型的性能。

当然，这只是一个简单的例子，实际应用中，需要根据具体的问题和数据情况选择合适的模型和参数，以及进行更加细致的数据预处理和特征工程。