Matlab实现多特征SVM分类预测实战指南

1. 先搞清楚：多特征SVM分类到底是什么场景

最近不少人在做基于Matlab的SVM支持向量机多特征分类预测。不管是课程作业、毕业设计，还是实际项目里的模式识别需求，这套东西出现的频率都很高。但我在跟别人交流时发现一个共性问题：很多人手里拿到的数据是现成的、特征列已经排好，代码也能跑通，但换一批数据就不会用了。原因很简单——只学会了调用fitcsvm，没真正理解分类任务和特征处理之间的逻辑关系。

先把这个场景定义清楚：所谓多特征分类预测，指的是每条样本用多个维度的属性值来描述（比如一组传感器读数、一组图像纹理参数、一组工业过程指标），我们的任务是利用这些特征向量把样本分到预先定义好的类别里。SVM之所以适合这个场景，核心在于它能在高维特征空间中构造一个最大间隔超平面，把不同类别的样本尽量分开。对于特征维度较高、样本量又不是特别大的情况，SVM往往比神经网络更稳、更容易落地，而且对参数调节的容忍度相对友好。

需要先说清楚一个概念：Matlab自带的fitcsvm函数天生只支持二分类问题。如果是多类别分类，一般采用两种策略：一种是封装好的fitcecoc（Error-Correcting Output Codes，纠错输出码），内部自动做多分类扩展；另一种是自己写一对多或一对一循环。我在实际项目中更推荐fitcecoc，原因后面详细说。本文的代码和流程都基于Matlab 2018b及以上版本，因为这个版本之后fitcsvm的参数体系和优化器已经非常成熟，太低版本会有兼容性问题。

适合阅读这篇内容的人包括：正在做分类预测相关课题的学生、需要快速搭建SVM分类原型验证效果的工程师、以及想把现有脚本从单特征推成多特征但不知道怎么组织流程的读者。核心目标只有一个——让你能拿着自己的数据，按这套流程跑出一个可解释、可评估的分类模型。

2. 数据准备：这一步没做好，后面全都白搭

2.1 特征矩阵和标签的构造规范

SVM分类的训练输入在Matlab中通常由两部分组成：特征矩阵X和标签向量Y。X的维度是n行m列，n代表样本数，m代表特征数量，每一行是一条完整的样本记录。Y是n行1列的向量，元素可以是数值型（如1、2、3）也可以是分类变量（categorical类型）。

这里有一个特别容易踩的坑：特征矩阵里面不能有NaN值。fitcsvm遇到NaN会直接报错或者表现异常。如果原始数据中有缺失值，需要先用fillmissing、interpolate或者干脆删掉对应行处理干净。另外，特征矩阵必须是数值类型，如果原始表里有文本列（比如日期、备注），一定要先剔除或做编码，不能直接塞进模型。

标签这一侧，如果类别标签是字符串（比如"正常""故障"），用categorical(Y)转换后再传入fitcecoc是最稳妥的。数值标签也可以直接用，但要注意类别编号必须从正整数开始连续编号，否则部分评估函数会出问题。

matlab复制% 示例：读取并整理数据
data = readmatrix('your_data.csv');   % 假设最后一列是标签
X = data(:, 1:end-1);
Y = data(:, end);

% 清洗缺失值
nan_idx = any(isnan(X), 2);
X(nan_idx, :) = [];
Y(nan_idx, :) = [];

% 标签转分类变量
Y = categorical(Y);

2.2 归一化：为什么SVM对尺度敏感

SVM的核心是计算样本点在特征空间中的距离或者内积，这天然意味着它对特征尺度非常敏感。举个例子：如果特征1的取值范围是0到1，特征2的取值范围是0到10000，那么在计算距离时，特征2的变化会完全主导结果，特征1的信息就近乎失效。这绝不是模型自己"适应"一下就能解决的问题，而是SVM数学原理决定的。

因此，数据准备好之后必须做归一化。Matlab里最常用的是zscore标准化和mapminmax映射到[0,1]区间。对于SVM，我更推荐zscore，因为它对方差大的特征有天然的压制作用，而且配合RBF核函数时效果通常更好。

这里要特别提醒一个很多人忽视的细节：归一化的参数必须在训练集上计算，然后用同一套参数去变换测试集。如果对全部数据一起做归一化再划分训练测试集，会造成信息泄露，评估结果会虚高。正确做法是先用训练集求出均值和标准差，再分别应用到训练集和测试集。

matlab复制% 只基于训练集计算归一化参数
[X_train, mu, sigma] = zscore(X_train);
X_test = (X_test - mu) ./ sigma;

2.3 训练集/测试集划分的两种方式

最基础的做法是随机划分，比如80%训练、20%测试。但如果数据本身有类别不均衡，或者样本量很少，我建议直接用cvpartition做分层划分，保证训练集和测试集中各类别的比例与原数据一致。

matlab复制cv = cvpartition(Y, 'HoldOut', 0.2);   % 留出20%作为测试集
train_idx = training(cv);
test_idx = test(cv);

X_train = X(train_idx, :);
Y_train = Y(train_idx);
X_test = X(test_idx,