1.数据集：采用 matlab2016b 自带数据集：iris鸢尾花、ionosphere电离层数据

2.采用函数 fitcecoc 进行SVM二分类/多分类模型训练；

3.采用10折交叉验证，将Mdl转化为 CVMdl，减少泛化误差

4.将泛化误差ossLoss作为模型的评价指标

示例1：鸢尾花数据集iris

function [CVMdl,oosLoss]=SVM3()

load fisheriris

X = meas; %150*4 ：150个样本，4个特征(萼长、萼宽、瓣长、瓣宽)；meas=measure(长度)

Y = species; %三种属性{'setosa','versicolor','virginica'}；species(种类)

t = templateSVM('Standardize',1); %创建SVM模板t

%训练该模型

Mdl = fitcecoc(X,Y,'Learners',t,'ClassNames',{'setosa','versicolor','virginica'});

%验证该模型

CVMdl = crossval(Mdl); %将模型进行交叉验证，减少过拟合的影响

%显示结果

oosLoss = kfoldLoss(CVMdl) %10折交叉验证得到的泛化误差 oosloss =0.033，效果很好

结果如下：

>> [CVMdl,oosLoss]=SVM3()

CVMdl =

classreg.learning.partition.ClassificationPartitionedECOC

CrossValidatedModel: 'ECOC'

PredictorNames: {'x1'  'x2'  'x3'  'x4'}

ResponseName: 'Y'

NumObservations: 150

KFold: 10

Partition: [1x1 cvpartition]

ClassNames: {'setosa'  'versicolor'  'virginica'}

ScoreTransform: 'none'

Properties, Methods

oosLoss =

0.0333333333333333

示例2：电离层数据二分类

%matlab自带电离层

load ionosphere;

%使用默认选项训练ECOC多类模型

model_2 =fitcecoc(X,Y);

%创建一个SVM模板

t_2 = templateSVM('Standardize',1);

%接下来训练ECOC分类器

model_2 = fitcecoc(X,Y,'Learners',t_2);

%使用10倍交叉验证交叉验证Mdl

CVmodel_2 =crossval(model_2);

%估算泛化误差

oosLoss_2 = kfoldLoss(CVmodel_2);

结果：

>> [CVmodel_2,oosLoss_2]=SVM31()

CVmodel_2 =classreg.learning.partition.ClassificationPartitionedECOC

CrossValidatedModel: 'ECOC'PredictorNames: {1x34 cell}

ResponseName: 'Y'NumObservations: 351KFold: 10Partition: [1x1 cvpartition]

ClassNames: {'b' 'g'}

ScoreTransform: 'none'Properties, Methods

oosLoss_2 =

0.113960113960115

参考资料：

1.官方文档：https://www.mathworks.com/help/stats/fitcecoc.html

2.代码参考：fitcecoc的其他数据集尝试： https://blog.csdn.net/kekeicon/article/details/72812097，作者：kekeicon

3.matlab自带数据集一览：https://ww2.mathworks.cn/help/stats/sample-data-sets.html