最小二乘线性分类器-三类matlab示例

我试图了解如何为我的数据集实现最小二乘线性分类器。问题是，我有3门课，我不知道如何做到这一点

这是一个尝试。这适用于2个类，但我怀疑当我们有M>2个类时，情况会有所不同。另外，理论上说，对于M>2类，我们应该遵循一个稍微不同的过程，但我不明白

class1=load('class_1.dat');
class2=load('class_2.dat');
class3=load('class_3.dat');   

[m1_ML,S1_ML]=Gaussian_ML_estimate(class1');
[m2_ML,S2_ML]=Gaussian_ML_estimate(class2');
[m3_ML,S3_ML]=Gaussian_ML_estimate(class3');

m1_ML
S1_ML
m2_ML
S2_ML
m3_ML
S3_ML

for i=1:50
  for j=1:4
    CLASS(i,j)=class1(i,j);
    CLASS(i+50,j)=class2(i,j);
    CLASS(i+100,j)=class3(i,j);

  end
end

CLASS1=CLASS';

for i=1:50
    true_labels(i)=1;
    true_labels(i+50)=2;
    true_labels(i+100)=3;
end

classified=ones(1,150);

n=150;
for j = 1:n
  inds = true(n,1);
  inds(j) = false;

  X1= CLASS1(:,inds);
  Y1= CLASS1(:,~inds);

  TL1=true_labels(:,inds);
  TL2=true_labels(:,~inds);

  for i=1:4
     [m11(i),S11(i)]=Gaussian_ML_estimate(X1(i,find(TL1==1)));
  end

  for i=1:4
     [m22(i),S22(i)]=Gaussian_ML_estimate(X1(i,find(TL1==2)));
  end


  for i=1:4
     perFeature1(i,:)=normpdf(Y1(i,:),m11(i),sqrt(S11(i)));
     perFeature2(i,:)=normpdf(Y1(i,:),m22(i),sqrt(S22(i)));
  end

  naive_probs1=prod(perFeature1);
  naive_probs2=prod(perFeature2);

  if naive_probs1<naive_probs2
    classified(j)=2;
  end
end  
Naive_Error=sum(true_labels~=classified)/150

class1=load（'class_1.dat'）；
类别2=荷载（“类别2.dat”）；
类别3=荷载（“类别3.dat”）；
[m1_-ML，S1_-ML]=高斯估计（class1'）；
[m2_-ML，S2_-ML]=高斯估计（类别2’）；
[m3_-ML，S3_-ML]=高斯估计（3类’）；
m1_ML
S1_ML
平方米/毫升
S2_ML
立方米/毫升
S3_ML
对于i=1:50
对于j=1:4
类别（i，j）=类别1（i，j）；
类别（i+50，j）=类别2（i，j）；
类别（i+100，j）=类别3（i，j）；
终止
终止
类别1=类别'；
对于i=1:50
真_标签（i）=1；
真_标签（i+50）=2；
真_标签（i+100）=3；
终止
分类=个（1150）；
n=150；
对于j=1:n
inds=真（n，1）；
inds（j）=假；
X1=类别1（：，inds）；
Y1=类别1（：，~inds）；
TL1=真实标签（：，IND）；
TL2=真标签（：，~inds）；
对于i=1:4
[m11（i），S11（i）]=高斯估计（X1（i，find（TL1==1））；
终止
对于i=1:4
[m22（i），S22（i）]=高斯估计（X1（i，find（TL1==2））；
终止
对于i=1:4
性能1（i，：）=normpdf（Y1（i，：）、m11（i）、sqrt（S11（i））；
性能2（i，：）=标准PDF（Y1（i，：）、m22（i）、sqrt（S22（i））；
终止
天真的问题1=产品（性能1）；
天真的问题2=产品（性能2）；
如果是幼稚的问题，你能为我们找到这个理论的联系吗？对于如何用线性边界划分多个类，我有点困惑。你在尝试一对一的方法吗？正是（967年第117页-多类泛化）我使用的是略去一个的方法