matlab中svm用法

在MATLAB中使用SVM模型，需要进行以下步骤：

1. 准备数据集：将训练数据和测试数据按照一定比例分开，常用的数据格式为.mat文件。

2. 数据预处理：对数据进行归一化、标准化等处理。

3. 训练模型：选择SVM分类器类型，设置超参数，使用训练数据进行训练。

4. 测试模型：使用测试数据对训练好的模型进行测试，得到模型的预测结果。

下面是一个简单的SVM代码示例：

% 加载数据集（trainData和trainLabel为训练数据和标签，testData和testLabel为测试数据和标签）
load('data.mat');

% 数据预处理
[trainData, mu, sigma] = zscore(trainData); % 标准化
testData = (testData - repmat(mu, size(testData, 1), 1)) ./ repmat(sigma, size(testData, 1), 1); % 归一化

% 训练SVM模型
SVMModel = fitcsvm(trainData, trainLabel, 'KernelFunction', 'linear', 'BoxConstraint', 1);

% 测试SVM模型
[predictLabel, score] = predict(SVMModel, testData);
accuracy = sum(predictLabel == testLabel)/length(testLabel);

其中，fitcsvm()函数用于训练SVM模型，predict()函数用于对测试数据进行预测，score表示模型对每个样本的预测得分，accuracy为模型的准确率。