matlab自带的svmtrain,Matlab自带的分类学习工具箱（SVM决策树Knn等分类器）

Matlab自带的分类学习工具箱(SVM决策树Knn等分类器)

Matlab自带的分类学习工具箱(SVM、决策树、Knn等分类器)

在matlab中，既有各种分类器的训练函数，比如“fitcsvm”，也有图形界面的分类学习工具箱，里面包含SVM、决策树、Knn等各类分类器，使用非常方便。接下来讲讲如何使用。

启动：

点击“应用程序”，在面板中找到“Classification Learner”图标点击即启动，也可以在命令行输入“classificationlearner”，回车，也可启动。如下图：

导入数据：

点击“New Session”，可以从工作空间或文件中导入数据。选择数据后，导入分为三步：

第一步，确定你的数据格式，这里导入的数据是一个矩阵，既有样本输入也有对应的输出。比如，我导入的数据data是3*3000的矩阵，3000个样本，每个样本两个特征值，第三行是每个样本对应的输出。这时我应该选择“Use row as variables”，如果数据格式为3000*3，则选择“Use column as variables”。

第二步，指定哪一行为“response”即输出响应，在本数据中，第三行为输出，其余为“predictor”。

第三步，是否需要验证，一般都选择交叉验证“Cross Validation”，folds表示几次，自己选择即可。

确定后，点击“start session”。

选择分类器：

如下图，原始数据的散点图会显示出来，由于这数据只有两维，因此可以全部显示在二维坐标中。如果你的数据多于两维，二维坐标系不能完全显示每一维，你可以在右边红圈的X、Y下拉条中选择显示哪两维。

训练前可以选择训练的模型，点击红圈中的下拉箭头，可以看到各类训练模型，选择一个即可，也可以选择某一类的“ALL”，该类所有模型都会训练一遍。

选好模型后，点击“train”，开始训练。

训练结果：

训练结果显示在左边，每个模型训练后的准确率都会显示出来，最高准确率会被标注，下面即为模型的信息。

点击“Advance”可以设置模型的具体参数。点击“Confusion Matrix”可以查看混淆矩阵等。

点击“Export Model”可以将模型导出到工作空间，这样就可以利用模型来测试新的数据。也可以导出为代码，方便研究。

Matlab自带的分类学习工具箱(SVM决策树Knn等分类器)相关教程