支持向量机matlab代码

matlab
% 生成一些示例数据
rng(1); % 设置随机种子以便结果可复现
X = randn(100,2);
Y = ones(100,1);
Y(1:50) = -1;

% 训练支持向量机模型
svmModel = fitcsvm(X,Y);

% 绘制决策边界
h = 0.02; % 网格步长
[x1Grid,x2Grid] = meshgrid(min(X(:,1)):h:max(X(:,1)),...
    min(X(:,2)):h:max(X(:,2)));
XGrid = [x1Grid(:),x2Grid(:)];
[~,scores] = predict(svmModel,XGrid);

figure;
gscatter(XGrid(:,1),XGrid(:,2),scores(:,2) > 0,'bg','.');
hold on
sv = X(svmModel.IsSupportVector,:);
plot(sv(:,1),sv(:,2),'ko','MarkerSize',10);
contour(x1Grid,x2Grid,reshape(scores(:,2),size(x1Grid)),[0 0],'k');
title('决策边界');
xlabel('特征1');
ylabel('特征2');
legend('类别1','类别2','支持向量');
hold off;

在这个例子中，首先生成一些简单的二维示例数据，然后使用 fitcsvm 函数训练一个 SVM 模型。接着，绘制了决策边界，展示了分类结果。

如果你想要更详细地了解支持向量机的原理和 MATLAB 中的实现，可以通过

调整超参数： SVM 中有一些超参数，如惩罚参数 BoxConstraint 和核函数类型 KernelFunction，你可以尝试不同的超参数组合，以优化模型性能。

交叉验证： 使用交叉验证来评估模型的性能，并选择最优的超参数组合。MATLAB 中提供了 crossval 函数进行交叉验证。

特征工程： 如果你的数据包含多个特征，可以尝试进行特征选择、降维或生成新特征，以改善模型性能。

可视化支持向量： 可以绘制出支持向量，以及它们在特征空间中的分布，有助于理解模型的决策过程。

多类别分类： 如果你的问题是多类别分类，可以尝试使用多类别 SVM 或者一对一/一对多方法进行处理。

处理不平衡数据： 如果你的数据集不平衡，可以考虑使用权重调整或者采样技术来处理。

学习更多理论： 如果你对 SVM 的原理感兴趣，可以深入学习 SVM 的数学原理，包括间隔最大化、对偶问题和核方法等。

尝试其他工具包： 除了 MATLAB，还有其他机器学习工具包也提供了支持向量机的实现，你可以尝试比较不同工具包的性能和便利性。