MATLAB中SVM的用法

MATLAB中可以使用SVM（支持向量机）进行分类和回归分析。以下是SVM的一些基本用法：

1. 加载数据：首先需要将数据导入MATLAB的工作空间中。可以使用MATLAB的load函数将数据文件加载到工作空间中。

2. 数据预处理：在使用SVM之前，需要对数据进行预处理。这包括特征选择、特征缩放和数据标准化等。

3. 训练模型：使用SVM进行训练，可以使用fitcsvm函数。该函数可以训练SVM分类器或回归模型。

4. 预测：使用训练好的模型进行预测，可以使用predict函数。该函数可以根据输入数据的特征值预测其分类或回归值。

5. 可视化：可以使用plot函数将数据和模型进行可视化展示。

下面是一个简单的SVM分类器的示例代码：

load fisheriris
X = meas(:,3:4);
Y = species;

% 数据预处理
X = zscore(X);

% 训练模型
SVMModel = fitcsvm(X,Y,'KernelFunction','linear','ClassNames',{'setosa','versicolor','virginica'});

% 对新数据进行预测
newX = [-1 1; -0.5 0.5; 0 0; 0.5 -0.5; 1 -1];
[label,score] = predict(SVMModel, newX);

% 可视化
gscatter(X(:,1),X(:,2),Y);
hold on
plot(newX(:,1),newX(:,2),'ko','LineWidth',2,'MarkerSize',10);
hold off

在该示例中，我们使用了鸢尾花数据集进行分类分析。首先将数据导入到工作空间中，然后进行数据预处理。接着使用fitcsvm函数训练SVM模型，并对新数据进行预测。最后使用gscatter和plot函数将数据和预测结果进行可视化展示。