1、LDA(Linear discriminant analysis)

函數：[class, err]=classify(sample, training, group);

輸入：sample=待測樣本，% 矩陣 m*n m為樣本數，n為特征數

???????? ? training=訓練樣本，% 矩陣k*n? k為樣本數，n為特征數，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?且 sample 和 training的列數要一樣

???????? ? group=已知的訓練樣本的分類

輸出：class=分類

???????? ? err=誤差比例

?

2、QDA(Quadratic discriminant analysis)

函數：[class, err]=classify(sample, training, group, ’quadratic’);

輸入：sample=待測樣本，m*n m為樣本數，n為特征數

???????? ? training=訓練樣本，k*n? k為樣本數，n為特征數，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 且 sample 和 training的列數要一樣

???????? ? group=已知的訓練樣本的分類,其行數與training的行數相等

輸出：class=分類

???????? ? err=誤差比例

?

3、SVM(support vector machines)

函數：SVMStruct = svmtrain(train_data, train_label);

? ? ? ? ? ?predict_label ?= svmclassify(SVMStruct, test_data)

輸入：train_data=訓練樣本? %?矩陣，每行一個樣本，每列一個特征

???????? ? train_label=訓練樣本標簽 %?列向量

???????? ? test_data=測試樣本

輸出：SVMStruct=SVMStruct結構體中包含了訓練好的分類器的所有參數，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 包括支持向量，這些支持向量也用于對測試集進行分類

? ? ? ? ? ?predict_label=測試樣本標簽

?

4、KNN(K-nearest neighbors)

函數：Class?= knnclassify(test_data,train_data,train_label,?k,?distance,?rule)

輸入：k=選擇最鄰近的數量

? ? ? ? ? Distance=距離度量

? ? ? ? ? ? ? 'euclidean' ? ? ??歐幾里得距離，默認的
? ? ? ? ? ? ? 'cityblock' ? ? ? ?絕對差的和
? ? ? ? ? ? ? 'cosine' ? ? ? ? ? 余弦 ??（作為向量處理）
? ? ? ? ? ? ? 'correlation' ? ? 相關距離 ?樣本相關性（作為值序列處理）
? ? ? ? ? ? ? 'Hamming' ? ? ?海明距離 ??不同的比特百分比（僅適用于二進制數據）

? ? ? ? ? ?Rule=如何對樣本進行分類

? ? ? ? ? ? ? 'nearest' ?最近的K個的最多數
? ? ? ? ? ? ? 'random' ? ?隨機的最多數
? ? ? ? ? ? ? 'consensus'?共識規則

輸出：class=測試樣本標簽

總結

以上是生活随笔為你收集整理的（Matlab函数详解）机器学习中的4种分类算法（LDA、QDA、SVM、KNN）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。