MATLAB SVM 编程：线性核和高斯核在 Iris 和 Breast Cancer 数据集上的应用

以下是使用 MATLAB 编写的 SVM 代码，其中分别使用线性核和高斯核训练了 Iris 和 Breast Cancer 数据集：

1. 使用线性核训练 Iris 数据集：

load fisheriris; % 加载 Iris 数据集
X = meas; % 特征矩阵
Y = species; % 类别向量
SVMModel = fitcsvm(X,Y,'KernelFunction','linear'); % 使用线性核训练 SVM 模型
CVSVMModel = crossval(SVMModel); % 交叉验证
classLoss = kfoldLoss(CVSVMModel); % 计算分类误差

2. 使用高斯核训练 Iris 数据集：

load fisheriris; % 加载 Iris 数据集
X = meas; % 特征矩阵
Y = species; % 类别向量
SVMModel = fitcsvm(X,Y,'KernelFunction','gaussian'); % 使用高斯核训练 SVM 模型
CVSVMModel = crossval(SVMModel); % 交叉验证
classLoss = kfoldLoss(CVSVMModel); % 计算分类误差

3. 使用线性核训练 Breast Cancer 数据集：

load breastcancer; % 加载 Breast Cancer 数据集
X = X'; % 转置特征矩阵
Y = y'; % 转置类别向量
SVMModel = fitcsvm(X,Y,'KernelFunction','linear'); % 使用线性核训练 SVM 模型
CVSVMModel = crossval(SVMModel); % 交叉验证
classLoss = kfoldLoss(CVSVMModel); % 计算分类误差

4. 使用高斯核训练 Breast Cancer 数据集：

load breastcancer; % 加载 Breast Cancer 数据集
X = X'; % 转置特征矩阵
Y = y'; % 转置类别向量
SVMModel = fitcsvm(X,Y,'KernelFunction','gaussian'); % 使用高斯核训练 SVM 模型
CVSVMModel = crossval(SVMModel); % 交叉验证
classLoss = kfoldLoss(CVSVMModel); % 计算分类误差

注意：在使用高斯核训练 SVM 模型时，还需要设置其他参数，如核函数宽度等。在这里为了简化代码，使用了默认参数。如果需要更精细的控制，可以通过修改 fitcsvm 函数的参数实现。