1. 程式人生 > >matlab自帶各種分類器的使用示例

matlab自帶各種分類器的使用示例

stl 隨機森林 方法 predict cat label .net vector mat

全文轉至 u014114990的專欄,address:https://blog.csdn.net/u014114990/article/details/51067059

個人修改建議:

訓練數據和驗證數據直接以M*N表示(行表示特征個數,列為樣本個數),這樣可以避免後續的轉置操作。

目前了解到的MATLAB中分類器有:K近鄰分類器,隨機森林分類器,樸素貝葉斯,集成學習方法,鑒別分析分類器,支持向量機。現將其主要函數使用方法總結如下,更多細節需參考MATLAB 幫助文件。

  訓練樣本:train_data % 矩陣,每行一個樣本,每列一個特征
  訓練樣本標簽:train_label % 列向量
  測試樣本:test_data
  測試樣本標簽:test_label

K近鄰分類器 (KNN)
mdl = ClassificationKNN.fit(train_data,train_label,‘NumNeighbors‘,1);
predict_label = predict(mdl, test_data);
accuracy = length(find(predict_label == test_label))/length(test_label)*100


隨機森林分類器(Random Forest)
B = TreeBagger(nTree,train_data,train_label);
predict_label = predict(B,test_data);


樸素貝葉斯 (Na?ve Bayes)
nb = NaiveBayes.fit(train_data, train_label);
predict_label = predict(nb, test_data);
accuracy = length(find(predict_label == test_label))/length(test_label)*100;


集成學習方法(Ensembles for Boosting, Bagging, or Random Subspace)
ens = fitensemble(train_data,train_label,‘AdaBoostM1‘ ,100,‘tree‘,‘type‘,‘classification‘);
predict_label = predict(ens, test_data);


鑒別分析分類器(discriminant analysis classifier)
obj = ClassificationDiscriminant.fit(train_data, train_label);
predict_label = predict(obj, test_data);


支持向量機(Support Vector Machine, SVM)
SVMStruct = svmtrain(train_data, train_label);
predict_label = svmclassify(SVMStruct, test_data) 代碼:
clc
clear all
load(‘wdtFeature‘);

%   訓練樣本:train_data % 矩陣,每行一個樣本,每列一個特征
%   訓練樣本標簽:train_label % 列向量
%   測試樣本:test_data
%   測試樣本標簽:test_label
train_data = traindata‘
train_label = trainlabel‘
test_data = testdata‘
test_label = testlabel‘
% K近鄰分類器 (KNN)
% mdl = ClassificationKNN.fit(train_data,train_label,‘NumNeighbors‘,1);
% predict_label = predict(mdl, test_data);
% accuracy = length(find(predict_label == test_label))/length(test_label)*100
%
% 94%
% 隨機森林分類器(Random Forest)
% nTree = 5
% B = TreeBagger(nTree,train_data,train_label);
% predict_label = predict(B,test_data);
%
% m=0;
% n=0;
% for i=1:50
% if predict_label{i,1}>0
% m=m+1;
% end
% if predict_label{i+50,1}<0
% n=n+1;
% end
% end
%
% s=m+n
% r=s/100

% result 50%

% **********************************************************************
% 樸素貝葉斯 (Na?ve Bayes)
% nb = NaiveBayes.fit(train_data, train_label);
% predict_label = predict(nb, test_data);
% accuracy = length(find(predict_label == test_label))/length(test_label)*100;
%
%
% % 結果 81%
% % **********************************************************************
% % 集成學習方法(Ensembles for Boosting, Bagging, or Random Subspace)
% ens = fitensemble(train_data,train_label,‘AdaBoostM1‘ ,100,‘tree‘,‘type‘,‘classification‘);
% predict_label = predict(ens, test_data);
%
% m=0;
% n=0;
% for i=1:50
% if predict_label(i,1)>0
% m=m+1;
% end
% if predict_label(i+50,1)<0
% n=n+1;
% end
% end
%
% s=m+n
% r=s/100

% 結果 97%
% **********************************************************************
% 鑒別分析分類器(discriminant analysis classifier)
% obj = ClassificationDiscriminant.fit(train_data, train_label);
% predict_label = predict(obj, test_data);
%
% m=0;
% n=0;
% for i=1:50
% if predict_label(i,1)>0
% m=m+1;
% end
% if predict_label(i+50,1)<0
% n=n+1;
% end
% end
%
% s=m+n
% r=s/100
% result 86%
% **********************************************************************
% 支持向量機(Support Vector Machine, SVM)
SVMStruct = svmtrain(train_data, train_label);
predict_label = svmclassify(SVMStruct, test_data)
m=0;
n=0;
for i=1:50
if predict_label(i,1)>0
m=m+1;
end
if predict_label(i+50,1)<0
n=n+1;
end
end

s=m+n
r=s/100

% result 86%

matlab自帶各種分類器的使用示例