学习笔记155

Matlab中常用的分类器有随机森林分类器、支持向量机（SVM）、K近邻分类器、朴素贝叶斯、集成学习方法和鉴别分析分类器等。各分类器的相关Matlab函数使用方法如下：

首先对以下介绍中所用到的一些变量做统一的说明：

    train_data——训练样本，矩阵的每一行数据构成一个样本，每列表示一种特征

    train_label——训练样本标签，为列向量

    test_data——测试样本，矩阵的每一行数据构成一个样本，每列表示一种特征

    test_label——测试样本标签，为列向量

①随机森林分类器（Random Forest）

    TB=TreeBagger(nTree,train_data,train_label);

    predict_label=predict(TB,test_data);

②支持向量机（Support Vector Machine，SVM）

    SVMmodel=svmtrain(train_data,train_label);

    predict_label=svmclassify(SVMmodel,test_data);

③K近邻分类器（KNN）

    KNNmodel=ClassificationKNN.fit(train_data,train_label,'NumNeighbors',1);

    predict_label=predict(KNNmodel,test_data);

④朴素贝叶斯（Naive Bayes）

    Bayesmodel=NaiveBayes.fit(train_data,train_label);

    predict_label=predict(Bayesmodel,test_data);

⑤集成学习方法（Ensembles for Boosting）

    Bmodel=fitensemble(train_data,train_label,'AdaBoostM1',100,'tree','type','classification');

    predict_label=predict(Bmodel,test_data);

⑥鉴别分析分类器（Discriminant Analysis Classifier）

    DACmodel=ClassificationDiscriminant.fit(train_data,train_label);

    predict_label=predict(DACmodel,test_data);

具体使用如下：（练习数据下载地址如下http://en.wikipedia.org/wiki/Iris_flower_data_set，简单介绍一下该数据集：有一批花可以分为3个品种，不同品种的花的花萼长度、花萼宽度、花瓣长度、花瓣宽度会有差异，根据这些特征实现品种分类）

%% 随机森林分类器（Random Forest）nTree=10;B=TreeBagger(nTree,train_data,train_label,'Method', 'classification');predictl=predict(B,test_data);predict_label=str2num(cell2mat(predictl));Forest_accuracy=length(find(predict_label == test_label))/length(test_label)*100;

%% 支持向量机 % SVMStruct = svmtrain(train_data, train_label);% predictl=svmclassify(SVMStruct,test_data);% predict_label=str2num(cell2mat(predictl));% SVM_accuracy=length(find(predict_label == test_label))/length(test_label)*100;  

%% K近邻分类器（KNN）% mdl = ClassificationKNN.fit(train_data,train_label,'NumNeighbors',1);% predict_label=predict(mdl, test_data);% KNN_accuracy=length(find(predict_label == test_label))/length(test_label)*100

%% 朴素贝叶斯 （Naive Bayes）% nb = NaiveBayes.fit(train_data, train_label);% predict_label=predict(nb, test_data);% Bayes_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');% predictl=predict(ens,test_data);% predict_label=str2num(cell2mat(predictl));% EB_accuracy=length(find(predict_label == test_label))/length(test_label)*100;

%% 鉴别分析分类器（discriminant analysis classifier）% obj = ClassificationDiscriminant.fit(train_data, train_label);% predictl=predict(obj,test_data);% predict_label=str2num(cell2mat(predictl));% DAC_accuracy=length(find(predict_label == test_label))/length(test_label)*100;

%% 练习% meas=[0 0;2 0;2 2;0 2;4 4;6 4;6 6;4 6];% [N n]=size(meas);% species={'1';'1';'1';'1';'-1';'-1';'-1';'-1'};% ObjBayes=NaiveBayes.fit(meas,species);% x=[3 3;5 5];% result=ObjBayes.predict(x);

参考链接：https://blog.csdn.net/jisuanjiguoba/java/article/details/80004568