很方面的,懒得自己写了。

  1. clc  
  2. clear all   
  3.  load('wdtFeature');  
  4.      
  5. %    训练样本:train_data             % 矩阵,每行一个样本,每列一个特征  
  6. %   训练样本标签:train_label       % 列向量  
  7. %   测试样本:test_data  
  8. %   测试样本标签:test_label  
  9.  train_data = traindata'  
  10.  train_label = trainlabel'  
  11.  test_data = testdata'  
  12.  test_label = testlabel'  
  13. %  K近邻分类器 (KNN)  
  14. % mdl = ClassificationKNN.fit(train_data,train_label,'NumNeighbors',1);  
  15. % predict_label   =       predict(mdl, test_data);  
  16. % accuracy         =       length(find(predict_label == test_label))/length(test_label)*100  
  17. %                  
  18. %  94%  
  19. % 随机森林分类器(Random Forest)  
  20. % nTree = 5  
  21. % B = TreeBagger(nTree,train_data,train_label);  
  22. % predict_label = predict(B,test_data);  
  23. %    
  24. % m=0;  
  25. % n=0;  
  26. for i=1:50  
  27. %     if predict_label{i,1}>0  
  28. %         m=m+1;  
  29. %     end  
  30. %     if predict_label{i+50,1}<0  
  31. %         n=n+1;  
  32. %     end  
  33. % end  
  34. %   
  35. % s=m+n  
  36. % r=s/100  
  37.     
  38. %  result 50%  
  39.     
  40. % **********************************************************************  
  41. % 朴素贝叶斯 (Na?ve Bayes)  
  42. % nb = NaiveBayes.fit(train_data, train_label);  
  43. % predict_label   =       predict(nb, test_data);  
  44. % accuracy         =       length(find(predict_label == test_label))/length(test_label)*100;  
  45. %   
  46. %   
  47. % % 结果 81%  
  48. % % **********************************************************************  
  49. % % 集成学习方法(Ensembles for Boosting, Bagging, or Random Subspace)  
  50. % ens = fitensemble(train_data,train_label,'AdaBoostM1' ,100,'tree','type','classification');  
  51. % predict_label   =       predict(ens, test_data);  
  52. %   
  53. % m=0;  
  54. % n=0;  
  55. for i=1:50  
  56. %     if predict_label(i,1)>0  
  57. %         m=m+1;  
  58. %     end  
  59. %     if predict_label(i+50,1)<0  
  60. %         n=n+1;  
  61. %     end  
  62. % end  
  63. %   
  64. % s=m+n  
  65. % r=s/100  
  66.     
  67. % 结果 97%  
  68. % **********************************************************************  
  69. % 鉴别分析分类器(discriminant analysis classifier)  
  70. % obj = ClassificationDiscriminant.fit(train_data, train_label);  
  71. % predict_label   =       predict(obj, test_data);  
  72. %    
  73. % m=0;  
  74. % n=0;  
  75. for i=1:50  
  76. %     if predict_label(i,1)>0  
  77. %         m=m+1;  
  78. %     end  
  79. %     if predict_label(i+50,1)<0  
  80. %         n=n+1;  
  81. %     end  
  82. % end  
  83. %   
  84. % s=m+n  
  85. % r=s/100  
  86. %  result 86%  
  87. % **********************************************************************  
  88. % 支持向量机(Support Vector Machine, SVM)  
  89. SVMStruct = svmtrain(train_data, train_label);  
  90. predict_label  = svmclassify(SVMStruct, test_data)  
  91. m=0;  
  92. n=0;  
  93. for i=1:50  
  94.     if predict_label(i,1)>0  
  95.         m=m+1;  
  96.     end  
  97.     if predict_label(i+50,1)<0  
  98.         n=n+1;  
  99.     end  
  100. end  
  101.     
  102. s=m+n  
  103. r=s/100  
  104.     
  105. %  result 86% 

原文链接:http://blog.csdn.net/u014114990/article/details/51067059

Matlab自带常用的分类器,直接复制用就好了,很方面。的更多相关文章

  1. matlab进阶:常用功能的实现,常用函数的说明

    常用功能的实现 获取当前脚本所在目录 current_script_dir = fileparts(mfilename('fullpath')); % 结尾不带'/' 常用函数的说明 bsxfun m ...

  2. 使用matlab自带工具实现rcnn

    平台:matlab2016b matlab自带一个cifar10Net工具可用于深度学习. 图片标注 这里使用的是matlab自带的工具trainingImageLabeler对图像进行roi的标注. ...

  3. matlab自带princomp(PCA降维方式)

    matlab 中自带的函数就不必怀疑. princomp:principal componet analysis (PCA). [COEFF,SCORE,latent,tsquare]=princom ...

  4. 如何利用OpenCV自带的级联分类器训练程序训练分类器

    介绍 使用级联分类器工作包括两个阶段:训练和检测. 检测部分在OpenCVobjdetect 模块的文档中有介绍,在那个文档中给出了一些级联分类器的基本介绍.当前的指南描述了如何训练分类器:准备训练数 ...

  5. Lua基本语法-书写规范以及自带常用函数

    Lua基本语法-书写规范和常用函数 本文提供全流程,中文翻译.Chinar坚持将简单的生活方式,带给世人!(拥有更好的阅读体验 -- 高分辨率用户请根据需求调整网页缩放比例) 1 String Ope ...

  6. matlab GUI之常用对话框(四)-- 输入对话框 inputdlg、目录对话框 uigetdir、列表对话框 listdlg

    常用对话框(四) 1.输入对话框  inputdlg answer = inputdlg(prompt) answer = inputdlg(prompt,dlg_title) answer = in ...

  7. matlab GUI之常用对话框(三)-- dialog \ errordlg \ warndlg \ helpdlg \ msgbox \questdlg

    常用的对话框(三) 1.普通对话框  dialog 调用格式: h=dialog('PropertyName','PropertyValue'......) %普通对话框 h=dialog( ]); ...

  8. matlab GUI之常用对话框(二)-- 进度条的使用方法

    常用对话框(二) 进度条   waitbar 调用格式: h = waitbar(x,'message')  waitbar(x,'message','CreateCancelBtn','button ...

  9. matlab GUI之常用对话框(一)-- uigetfile\ uiputfile \ uisetcolor \ uisetfont

    常用对话框(一) 1.uigetfile  文件打开对话框 调用格式:      [FileName,PathName,FilterIndex]=uigetfile or     [FileName, ...

随机推荐

  1. BNU Online Judge-34978-汉诺塔

    题目链接 http://www.bnuoj.com/bnuoj/problem_show.php?pid=34978 这题在比赛时AC了不过那时是根据测试数据  抱着来试一下的想法,没想就AC了,其实 ...

  2. Spring mvc基本原理

    http://blog.csdn.net/xtu_xiaoxin/article/details/8796499 http://www.cnblogs.com/wawlian/archive/2012 ...

  3. Hadoop学习笔记-008-CentOS_6.5_64_yum安装mysql

    ******************************卸载mysql***************************** 第一步,查看centos上是否已经安装了mysql数据库 # rp ...

  4. (四)Hololens Unity 开发之 凝视系统

    学习源于官方文档 Gaze in Unity 笔记一部分是直接翻译官方文档,部分各人理解不一致的和一些比较浅显的保留英文原文 HoloLens 有三大输入系统,凝视点.手势和声音 ~ 本文主要记录凝视 ...

  5. 在VMWare虚拟机中安装Ubuntu 16.04.1 LTS

    一.需要的准备 安装好VMWare虚拟机(傻瓜式安装,一直next就可以,请支持正版),将Ubuntu的系统镜像下载好,目前最新的LTS版本为16.04.1. 我把虚拟机和Ubuntu镜像传到了百度云 ...

  6. Linux下使用javac编译

    Linux下使用javac编译Hadoop程序 首先要配置好Hadoop, 给出两个教程 Hadoop安装教程单机/伪分布式配置Hadoop2.6.0/Ubuntu14.04 Hadoop集群安装配置 ...

  7. CTF入门指南

    转自http://www.cnblogs.com/christychang/p/6032532.html ctf入门指南 如何入门?如何组队? capture the flag 夺旗比赛 类型: We ...

  8. 自己动手系列——实现一个简单的ArrayList

    ArrayList是Java集合框架中一个经典的实现类.他比起常用的数组而言,明显的优点在于,可以随意的添加和删除元素而不需考虑数组的大小.处于练手的目的,实现一个简单的ArrayList,并且把实现 ...

  9. C++编程练习(6)----“实现简单的队列的链式存储结构“

    队列的链式存储结构,其实就是线性表的单链表,只不过它只能尾进头出.简称链队列. 实现代码如下: /* LinkQueue.h 头文件 */ #include<iostream> #defi ...

  10. Visual Studio 2017 RC 初探安装

    上次看到博客介绍 Visual Studio 2017 RC,看到其中一个改进是启动很快,这是一大进步,也是低配电脑的程序员的期望.不过还没体验,是驴是骡子拉出来看看,这不就开始下载. 1.打开官网: ...