matlab实现支持向量机的硬间隔结果数据化并且x具有多个特征

在MATLAB中实现支持向量机的硬间隔，可以使用SVM工具箱中的函数`fitcsvm`完成。以下是一个示例代码：

% 准备数据
load fisheriris
X = meas(:,1:2);
Y = (strcmp('versicolor',species) | strcmp('virginica',species)) + 1;

% 训练SVM模型
svmModel = fitcsvm(X,Y,'KernelFunction','linear','BoxConstraint',Inf);

% 预测样本类别
yPred = predict(svmModel,X);

% 绘制决策边界和支持向量
figure
gscatter(X(:,1),X(:,2),Y)
hold on
h = ezplot(@(x1,x2)predict(svmModel,[x1,x2]),[min(X(:,1))-0.5,max(X(:,1))+0.5,min(X(:,2))-0.5,max(X(:,2))+0.5]);
h.Color = 'r';
h.LineWidth = 2;
title('Support Vector Machines')
legend('versicolor','virginica','Boundary','Location','SouthOutside')
hold off

在这个示例中，我们加载了鸢尾花数据集，只选择了前两个特征作为输入变量。我们将鸢尾花的两个品种中的一种标记为1，另一种标记为2，并使用`fitcsvm`函数训练了一个线性核的SVM模型。由于我们使用的是硬间隔SVM，所以我们将`BoxConstraint`参数设置为`Inf`。最后，我们使用`predict`函数对所有样本进行预测，并使用`ezplot`函数绘制了决策边界和支持向量。

如果你的输入变量具有多个特征（即输入变量是一个矩阵），则可以将`X`传递给`fitcsvm`函数，而不必拆分特征。例如，如果你的输入变量`X`具有3个特征，则可以使用以下代码训练SVM模型：

svmModel = fitcsvm(X,Y,'KernelFunction','linear','BoxConstraint',Inf);