Matlab算法：支持向量机 Matlab算法：支持向量机，给你数据分个类。 数据程序分开，便于使用，注释详细，注意理解
在机器学习的世界里，支持向量机（SVM）是一种非常强大的分类算法。今天咱们就来聊聊如何在Matlab里用SVM给数据分个类，并且把数据和程序分开，注释写得详细些，方便大家理解。
数据准备
假设我们有一些简单的二维数据用于分类，数据文件可以存为.mat格式。先创建一个data_preparation.m脚本来生成数据，方便后面使用。
% 创建一些简单的二维数据用于分类 % 生成第一类数据 class1_x = randn(50,1) + 2; class1_y = randn(50,1) + 2; class1 = [class1_x, class1_y]; % 生成第二类数据 class2_x = randn(50,1) - 2; class2_y = randn(50,1) - 2; class2 = [class2_x, class2_y]; % 合并数据 data = [class1; class2]; % 创建标签，1代表第一类， -1代表第二类 labels = [ones(50,1); -ones(50,1)]; % 保存数据到mat文件 save('classification_data.mat', 'data', 'labels');在这段代码里，我们首先用randn函数生成两类服从正态分布的二维数据点，一类在(2, 2)附近，另一类在(-2, -2)附近 。然后把它们合并起来，生成对应的标签并保存到classification_data.mat文件里。这样，数据部分就准备好了。
支持向量机分类程序
接下来，写一个svm_classification.m脚本来实现SVM分类。
% 加载之前保存的数据 load('classification_data.mat'); % 创建并训练SVM模型 svmModel = fitcsvm(data, labels); % 绘制数据点和分类边界 figure; gscatter(data(:,1), data(:,2), labels); hold on; plot(svmModel,'showmargin', 'on'); title('SVM Classification'); xlabel('Feature 1'); ylabel('Feature 2'); legend('Class 1', 'Class 2', 'SVM Decision Boundary', 'Support Vectors'); hold off;代码一开始，我们用load函数加载之前保存的数据和标签。然后通过fitcsvm函数创建并训练一个SVM模型，这个函数会根据我们提供的数据和标签找到最佳的分类超平面。
之后，通过gscatter函数绘制散点图，把不同类别的数据点用不同颜色区分开。接着用plot函数绘制SVM的分类边界，showmargin参数设置为on可以显示支持向量和间隔边界。最后给图形加上标题、坐标轴标签和图例，让图形更加清晰易懂。
通过这样的数据程序分开的方式，我们在Matlab里完成了一个简单的SVM数据分类任务。如果要处理不同的数据，只需要更新classification_data.mat文件里的数据，而分类程序部分基本不需要大的改动，是不是很方便呢？希望这篇博文能帮助大家对Matlab里的SVM算法应用有更清晰的理解。
