%% 加載鳶尾花數(shù)據(jù)集

% 使用花瓣的長(zhǎng)度和寬度

load fisheriris

X = meas(:,3:4);

Y = species;

%% 數(shù)據(jù)的散點(diǎn)圖

figure

gscatter(X(:,1),X(:,2),Y);

h = gca;

lims = [h.XLim h.YLim];

title('{\bf Scatter Diagram of Iris Measurements}');

xlabel('Petal Length (cm)');

ylabel('Petal Width (cm)');

legend('Location','Northwest');

% 有三個(gè)類，其中之一是線性可分離的

%%

% 對(duì)每一類進(jìn)行一下操作:

% 創(chuàng)建一個(gè)邏輯向量表示是否為這個(gè)類的一員

% 使用處理好的數(shù)據(jù)和邏輯向量訓(xùn)練SVM分類器

% 將分類器存儲(chǔ)在cell數(shù)組中

% 預(yù)先定義類別順序是比較好的做法

SVMModels = cell(3,1);

classes = unique(Y);

rng(1);

for j = 1:numel(classes)

    indx = strcmp(Y,classes(j)); 

    % 為每一類別創(chuàng)建二元分類器

    SVMModels{j} = fitcsvm(X,indx,'ClassNames',[false true],'Standardize',true,...

        'KernelFunction','rbf','BoxConstraint',1);

end

%%

% |SVMModels|是一個(gè)3X1的cell數(shù)組

% 每個(gè)cell是一個(gè)分類器

% 每個(gè)分類器的正值就是setosa,versicolor和virginica

%% 將訓(xùn)練數(shù)據(jù)的分布坐標(biāo)劃分為網(wǎng)格，并視為新的觀測(cè)

% 使用每個(gè)分類器估計(jì)新觀測(cè)的得分 

d = 0.02;

[x1Grid,x2Grid] = meshgrid(min(X(:,1)):d:max(X(:,1)),...

    min(X(:,2)):d:max(X(:,2)));

xGrid = [x1Grid(:),x2Grid(:)];

N = size(xGrid,1);

Scores = zeros(N,numel(classes));

for j = 1:numel(classes)

    [~,score] = predict(SVMModels{j},xGrid);

    Scores(:,j) = score(:,2); 

    % 第二列包含正值類別得分

end

%% 每一行的得分都有三個(gè)，最大的就是這一行對(duì)應(yīng)的類別 

[~,maxScore] = max(Scores,[],2);

%% 將每一個(gè)類別對(duì)應(yīng)的網(wǎng)格在圖中顯示出來

figure

h(1:3) = gscatter(xGrid(:,1),xGrid(:,2),maxScore,...

    [0.1 0.5 0.5; 0.5 0.1 0.5; 0.5 0.5 0.1]);

hold on

h(4:6) = gscatter(X(:,1),X(:,2),Y);

title('{\bf Iris Classification Regions}');

xlabel('Petal Length (cm)');

ylabel('Petal Width (cm)');

legend(h,{'setosa region','versicolor region','virginica region',...

    'observed setosa','observed versicolor','observed virginica'},...

    'Location','Northwest');

axis tight

hold off