基于MATLAB实现支持向量机（SVM）分类

一、基础SVM分类代码示例

1. 使用fitcsvm函数（推荐新版MATLAB）

% 加载数据集（以鸢尾花为例）
load fisheriris;
X = meas(:,1:2); % 选取前两个特征
Y = species;% 划分训练集和测试集（70%训练，30%测试）
cv = cvpartition(Y, 'HoldOut', 0.3);
X_train = X(cv.training,:);
Y_train = Y(cv.training);
X_test = X(cv.test,:);
Y_test = Y(cv.test);% 训练SVM模型（使用RBF核）
svmModel = fitcsvm(X_train, Y_train, ...'KernelFunction', 'rbf', ...  % 核函数类型'KernelScale', 'auto', ...    % 自动调整核参数'Standardize', true, ...      % 数据标准化'BoxConstraint', 1);        % 正则化参数C% 预测与评估
Y_pred = predict(svmModel, X_test);
accuracy = sum(Y_pred == Y_test) / numel(Y_test);
disp(['分类准确率: ', num2str(accuracy*100), '%']);

2. 传统svmtrain/svmclassify函数（旧版MATLAB）

% 数据准备（示例为二维线性可分数据）
X = [1 2; 2 3; 3 3; 6 8; 7 8; 8 9]; % 特征矩阵
Y = [1 1 1 -1 -1 -1]; % 类别标签% 训练SVM模型
model = svmtrain(X, Y, 'Kernel_Function', 'linear', 'ShowPlot', true);% 预测新样本
newData = [4,5; 5,6];
predictedLabels = svmclassify(model, newData);
disp('预测结果:');
disp(predictedLabels);

二、关键参数与优化方法

1. 核函数选择

   • 线性核：适用于线性可分数据，计算效率高。
   • RBF核（高斯核）：适用于非线性问题，需调整KernelScale参数。
   • 多项式核：需设置PolynomialOrder参数，适合特定非线性分布。

2. 参数调优

   • 正则化参数C：控制分类间隔与误分类惩罚的平衡，可通过交叉验证选择。
   • 核参数（如gamma）：RBF核中gamma越大，模型越关注局部数据。
   • 标准化：建议启用Standardize选项，避免特征尺度差异影响结果。

3. 交叉验证与网格搜索

   % 使用交叉验证优化参数
   SVMModel = fitcsvm(X_train, Y_train, ...'OptimizeHyperparameters', 'auto', ...'HyperparameterOptimizationOptions', ...struct('AcquisitionFunctionName', 'expected-improvement-plus'));
   

SVM支持向量机分类matlab代码，SVM解决分类问题 youwenfan.com/contentcsb/101445.html

三、数据预处理与评估

1. 数据归一化

   [X_scaled, ps_input] = mapminmax(X', 0, 1); % 归一化到[0,1]
   X_scaled = X_scaled';
   

2. 性能评估指标

   % 混淆矩阵
   C = confusionchart(Y_test, Y_pred);
   % 分类报告
   classificationReport = classificationReport(Y_test, Y_pred);
   

四、多分类问题扩展

MATLAB支持通过以下方式扩展SVM至多分类：

1. 一对多（One-vs-All）

   SVMModel = fitcecoc(X_train, Y_train, 'Learners', 'svm', 'Coding', 'onevsall');
   

2. 一对一（One-vs-One）

   SVMModel = fitcecoc(X_train, Y_train, 'Learners', 'svm', 'Coding', 'onevsone');
   

五、注意事项

1. 样本平衡：若类别不平衡，可通过ClassNames参数调整权重或使用fitcsvm的Prior选项。
2. 大规模数据：SVM对内存敏感，建议使用线性核或降维（如PCA）处理高维数据。
3. 模型解释性：线性核模型可通过coef0和SVMModel.SupportVectors分析支持向量。