matlab中的支持向量机

您能否举一个在 matlab 中使用支持向量机 (SVM) 进行 4 类分类的示例，例如：

atribute_1  atribute_2 atribute_3 atribute_4 class
1           2          3           4             0
1           2          3           5             0
0           2          6           4             1
0           3          3           8             1
7           2          6           4             2
9           1          7           10            3

SVM 最初是为二元分类而设计的。然后它们被扩展到处理多类问题。其思想是将问题分解为许多二元类问题，然后将它们组合起来以获得预测。

一种方法称为一对一，构建与类一样多的二元分类器，每个分类器都经过训练以将一个类与其余类分开。为了预测一个新实例，我们选择具有最大决策函数值的分类器。

另一种方法称为一对一（我相信它在 LibSVM 中使用），构建k(k-1)/2二元分类器，经过训练将每对类彼此分开，并使用多数投票方案（最大获胜策略）来确定输出预测。

还有其他方法，例如使用纠错输出代码 (ECOC)构建许多有点冗余的二元分类器，并使用这种冗余来获得更稳健的分类（使用与汉明码).

示例（一对一）：

%# load dataset
load fisheriris
[g gn] = grp2idx(species);                      %# nominal class to numeric

%# split training/testing sets
[trainIdx testIdx] = crossvalind('HoldOut', species, 1/3);

pairwise = nchoosek(1:length(gn),2);            %# 1-vs-1 pairwise models
svmModel = cell(size(pairwise,1),1);            %# store binary-classifers
predTest = zeros(sum(testIdx),numel(svmModel)); %# store binary predictions

%# classify using one-against-one approach, SVM with 3rd degree poly kernel
for k=1:numel(svmModel)
    %# get only training instances belonging to this pair
    idx = trainIdx & any( bsxfun(@eq, g, pairwise(k,:)) , 2 );

    %# train
    svmModel{k} = svmtrain(meas(idx,:), g(idx), ...
        'BoxConstraint',2e-1, 'Kernel_Function','polynomial', 'Polyorder',3);

    %# test
    predTest(:,k) = svmclassify(svmModel{k}, meas(testIdx,:));
end
pred = mode(predTest,2);   %# voting: clasify as the class receiving most votes

%# performance
cmat = confusionmat(g(testIdx),pred);
acc = 100*sum(diag(cmat))./sum(cmat(:));
fprintf('SVM (1-against-1):\naccuracy = %.2f%%\n', acc);
fprintf('Confusion Matrix:\n'), disp(cmat)

这是一个示例输出：

SVM (1-against-1):
accuracy = 93.75%
Confusion Matrix:
    16     0     0
     0    14     2
     0     1    15