1、LDA(Linear discriminant analysis)

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

输入：sample=待测样本，% 矩阵 m*n m为样本数，n为特征数

           training=训练样本，% 矩阵k*n  k为样本数，n为特征数，

                                                 且 sample 和 training的列数要一样

           group=已知的训练样本的分类

输出：class=分类

           err=误差比例

 

2、QDA(Quadratic discriminant analysis)

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

输入：sample=待测样本，m*n m为样本数，n为特征数

           training=训练样本，k*n  k为样本数，n为特征数，

                                            且 sample 和 training的列数要一样

           group=已知的训练样本的分类,其行数与training的行数相等

输出：class=分类

           err=误差比例

 

3、SVM(support vector machines)

函数：SVMStruct = svmtrain(train_data, train_label);

           predict_label  = svmclassify(SVMStruct, test_data)

输入：train_data=训练样本  % 矩阵，每行一个样本，每列一个特征

           train_label=训练样本标签 % 列向量

           test_data=测试样本

输出：SVMStruct=SVMStruct结构体中包含了训练好的分类器的所有参数，

                                包括支持向量，这些支持向量也用于对测试集进行分类

           predict_label=测试样本标签

 

4、KNN(K-nearest neighbors)

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

输入：k=选择最邻近的数量

          Distance=距离度量

              'euclidean'       欧几里得距离，默认的
              'cityblock'        绝对差的和
              'cosine'           余弦   （作为向量处理）
              'correlation'     相关距离  样本相关性（作为值序列处理）
              'Hamming'      海明距离   不同的比特百分比（仅适用于二进制数据）

           Rule=如何对样本进行分类

              'nearest'  最近的K个的最多数
              'random'    随机的最多数
              'consensus' 共识规则

输出：class=测试样本标签