自带的机器学习库

• meas:测试数据，一行代表一个样本，列代表样本属性，N*M
• species:每个样本对应的类,N*1
• kfoldLoos:交叉验证:确定样本训练后的模型的错误率
• predict:测试集经分类模型处理后分到的类

knn分类器

knn = fitcknn(meas,species,'NumNeighbors',5);
CVMdl = crossval(knn);
kloss = kfoldLoss(CVMdl);
predict(knn,ones(1,size(meas,2)))

pca降维：主成分分析

//latent:特征值（从大到小),score特征向量
[coeff, score, latent, tsquared, explained] = pca(data);
//score即为从大到小排序后的特征矩阵，取前k列即为取样本最具代表性的k个属性
//explained即为每一列对应的影响力，所有列加起来为100

bp神经网络

• 命令行输入nntool

svm分类器

svm = fitcsvm(meas,species);
CVMdl = crossval(svm);
kloss = kfoldLoss(CVMdl);

朴素贝叶斯

naivebayes = fitcnb(meas, species);
nb = crossval(naivebayes);
kloss = kfoldLoss(nb);

决策树cart分类器

cart = fitctree(meas,species);
CVMdl = crossval(cart);
kloss = kfoldLoss(CVMdl);

随机森林分类器

b = TreeBagger(nTree,meas,species,'OOBPrediction','on');
rf = oobError(b);
kloss = rf(nTree,1);

集成学习方法

ada = fitensemble(meas,species,'AdaBoostM1',100,'Tree','Holdout',0.5);
kloss = kfoldLoss(ada,'mode','cumulative');
kloss = kloss(100,1);

matlab机器学习库

有监督学习

无监督学习

集成学习