MATLAB（10）分类算法

news2025/1/13 13:56:41

前言

MATLAB中实现分类算法的代码可以非常多样，取决于你具体想要使用的分类算法类型（如决策树、逻辑回归、支持向量机、K近邻等）。以下是一些常见分类算法的基本MATLAB实现示例。

一、逻辑回归

逻辑回归是分类问题中的一种基础算法，用于二分类问题。

MATLAB中可以使用fitclinear函数来训练逻辑回归模型。

% 假设X是特征矩阵，y是标签向量（0或1）  
X = [randn(100,2)*0.75+ones(100,2); randn(100,2)*0.5-ones(100,2)];  
y = [ones(100,1); zeros(100,1)];  
  
% 训练逻辑回归模型  
t = templateLinear('Learner', 'logistic');  
model = fitclinear(X, y, 'Learners', t);  
  
% 预测新数据  
Xnew = [0.5 1.5; 2 3];  
ynew = predict(model, Xnew);  
  
% 显示预测结果  
disp(ynew);

二、K近邻（K-NN）

K近邻是一种基于实例的学习方法，用于分类和回归。MATLAB中没有直接的KNN函数，但可以使用knnsearch函数来实现KNN分类。

% 假设X是特征矩阵，y是标签向量  
X = [randn(100,2)*0.75+ones(100,2); randn(100,2)*0.5-ones(100,2)];  
y = [ones(100,1); zeros(100,1)];  
  
% 新数据点  
Xnew = [0.5 1.5; 2 3];  
  
% 使用knnsearch找到最近的K个邻居  
K = 3;  
[~, idx] = knnsearch(X, Xnew, 'K', K);  
  
% 基于邻居的标签进行投票  
% 假设每个邻居的投票权重相同  
labels = y(idx, :);  
[~, yPred] = mode(labels, 2);  
  
% 显示预测结果  
disp(yPred);

三、支持向量机（SVM）

支持向量机是一种强大的分类器，适用于高维数据。MATLAB的fitcsvm函数可以用来训练SVM模型。

% 假设X是特征矩阵，y是标签向量  
X = [randn(100,2)*0.75+ones(100,2); randn(100,2)*0.5-ones(100,2)];  
y = [ones(100,1); zeros(100,1)];  
  
% 训练SVM模型  
SVMModel = fitcsvm(X, y, 'KernelFunction', 'rbf');  
  
% 预测新数据  
Xnew = [0.5 1.5; 2 3];  
[label, score] = predict(SVMModel, Xnew);  
  
% 显示预测结果  
disp(label);