matlab自带各种分类器的使用示例

目前了解到的 MATLAB 中分类器有: K 近邻分类器,随机森林分类器,朴素贝叶斯,集成学习方法,鉴别分析分类器,支持向量机。现将其主要函数使用方法总结如下,更多细节需参考 MATLAB 帮助文件。

  训练样本: train_data             % 矩阵,每行一个样本,每列一个特征
  训练样本标签: train_label       % 列向量
  测试样本: test_data
  测试样本标签: test_label
 
K 近邻分类器  ( KNN )
mdl = ClassificationKNN.fit(train_data,train_label,'NumNeighbors',1);
predict_label   =       predict(mdl, test_data);
accuracy         =       length(find(predict_label == test_label))/length(test_label)*100
               
 
随机森林分类器( Random Forest )
B = TreeBagger(nTree,train_data,train_label);
predict_label = predict(B,test_data);
 
 
朴素贝叶斯  ( Na?ve Bayes )
nb = NaiveBayes.fit(train_data, train_label);
predict_label   =       predict(nb, test_data);
accuracy         =       length(find(predict_label == test_label))/length(test_label)*100;
 
 
集成学习方法( Ensembles for Boosting, Bagging, or Random Subspace )
ens = fitensemble(train_data,train_label,'AdaBoostM1' ,100,'tree','type','classification');
predict_label   =       predict(ens, test_data);
 
 
鉴别分析分类器( discriminant analysis classifier )
obj = ClassificationDiscriminant.fit(train_data, train_label);
predict_label   =       predict(obj, test_data);
 
 
支持向量机( Support Vector Machine, SVM )
SVMStruct = svmtrain(train_data, train_label);

predict_label  = svmclassify(SVMStruct, test_data)

 

我自己代码如下:

clc
clear all 
 load('wdtFeature');
 
%    训练样本:train_data             % 矩阵,每行一个样本,每列一个特征
%   训练样本标签:train_label       % 列向量
%   测试样本:test_data
%   测试样本标签:test_label
 train_data = traindata'
 train_label = trainlabel'
 test_data = testdata'
 test_label = testlabel'
%  K近邻分类器 (KNN)
% mdl = ClassificationKNN.fit(train_data,train_label,'NumNeighbors',1);
% predict_label   =       predict(mdl, test_data);
% accuracy         =       length(find(predict_label == test_label))/length(test_label)*100
%                
%  94%
% 随机森林分类器(Random Forest)
% nTree = 5
% B = TreeBagger(nTree,train_data,train_label);
% predict_label = predict(B,test_data);
%  
% m=0;
% n=0;
% for i=1:50
%     if predict_label{i,1}>0
%         m=m+1;
%     end
%     if predict_label{i+50,1}<0
%         n=n+1;
%     end
% end
% 
% s=m+n
% r=s/100
 
%  result 50%
 
% **********************************************************************
% 朴素贝叶斯 (Na?ve Bayes)
% nb = NaiveBayes.fit(train_data, train_label);
% predict_label   =       predict(nb, test_data);
% accuracy         =       length(find(predict_label == test_label))/length(test_label)*100;
% 
% 
% % 结果 81%
% % **********************************************************************
% % 集成学习方法(Ensembles for Boosting, Bagging, or Random Subspace)
% ens = fitensemble(train_data,train_label,'AdaBoostM1' ,100,'tree','type','classification');
% predict_label   =       predict(ens, test_data);
% 
% m=0;
% n=0;
% for i=1:50
%     if predict_label(i,1)>0
%         m=m+1;
%     end
%     if predict_label(i+50,1)<0
%         n=n+1;
%     end
% end
% 
% s=m+n
% r=s/100
 
% 结果 97%
% **********************************************************************
% 鉴别分析分类器(discriminant analysis classifier)
% obj = ClassificationDiscriminant.fit(train_data, train_label);
% predict_label   =       predict(obj, test_data);
%  
% m=0;
% n=0;
% for i=1:50
%     if predict_label(i,1)>0
%         m=m+1;
%     end
%     if predict_label(i+50,1)<0
%         n=n+1;
%     end
% end
% 
% s=m+n
% r=s/100
%  result 86%
% **********************************************************************
% 支持向量机(Support Vector Machine, SVM)
SVMStruct = svmtrain(train_data, train_label);
predict_label  = svmclassify(SVMStruct, test_data)
m=0;
n=0;
for i=1:50
    if predict_label(i,1)>0
        m=m+1;
    end
    if predict_label(i+50,1)<0
        n=n+1;
    end
end
 
s=m+n
r=s/100
 
%  result 86%

 

你可能感兴趣的:(matlab)