matlab中用GridSearch优化SVM参数程序

以下是一个示例程序，使用GridSearch优化SVM参数：

% 生成样本数据
load fisheriris
X = meas(1:100,:);
Y = ismember(species(1:100),'setosa');

% 定义参数范围
C_range = [0.1, 1, 10];
gamma_range = [0.01, 0.1, 1];

% 初始化参数
best_score = 0;
best_C = 0;
best_gamma = 0;

% 开始GridSearch
for i = 1:length(C_range)
    for j = 1:length(gamma_range)
        % 训练SVM模型
        svm_model = fitcsvm(X, Y, 'BoxConstraint', C_range(i), 'KernelFunction', 'rbf', 'KernelScale', gamma_range(j));
        
        % 测试模型并计算准确率
        preds = predict(svm_model, X);
        score = sum(preds == Y) / length(Y);
        
        % 更新最优参数
        if score > best_score
            best_score = score;
            best_C = C_range(i);
            best_gamma = gamma_range(j);
        end
    end
end

% 输出结果
fprintf('最优参数：C = %f, gamma = %f, 准确率 = %f\n', best_C, best_gamma, best_score);

在上面的示例程序中，我们使用了鸢尾花数据集的前100个样本，用GridSearch方法寻找最优的SVM参数。参数范围包括C和gamma两个参数，分别取值为0.1、1和10、0.01、0.1、1。在GridSearch过程中，我们对每个参数组合训练一个SVM模型，然后用该模型对样本进行预测，计算准确率。最后，输出最优参数组合及其对应的准确率。