% 创建示例数据 X = [randn(50,2)+1; randn(50,2)-1]; Y = [ones(50,1); -ones(50,1)]; % 训练SVM模型 svmModel = fitcsvm(X, Y); % 预测分类标签 Xnew = [0 0; 2 2]; % 新的数据点 predictedLabels = predict(svmModel, Xnew); % 绘制分类结果 figure; gscatter(X(:,1), X(:,2), Y, 'rb', '....-Go服务器开发

这段代码是使用支持向量机（Support Vector Machine，SVM）进行二分类的示例。

首先，创建了一个具有两个特征的示例数据集 X，其中前50个样本属于类别1，后50个样本属于类别2。对应的类别标签存储在 Y 中。

然后，通过调用 fitcsvm 函数来训练 SVM 模型。这个函数使用输入的数据 X 和标签 Y 来拟合一个线性的 SVM 分类器。

接下来，定义了新的数据点 Xnew，即要进行分类预测的点。

通过调用 predict 函数，并传入训练好的 SVM 模型和新数据点 Xnew，可以预测新数据点所属的分类标签。

最后，使用图形化函数 gscatter 绘制原始数据集和预测结果。分别以红色和蓝色表示两个不同的类别，在图中以实心圆圈表示原始数据点，在图中以空心圆表示新数据点并按照预测结果以紫色或黑色标记。

底层逻辑是利用 SVM 的决策边界将不同类别的样本分开，并根据决策边界将新样本点分类到相应类别。SVM 使用支持向量来确定决策边界，并寻找最大间隔使得分类误差最小化。

在这段代码中，fitcsvm 函数用于训练 SVM 模型，predict 函数用于预测新数据点的分类标签，gscatter 函数用于可视化结果。

更多关于 MATLAB 中 SVM 的使用可以参考 MATLAB 官方文档。

内容由零声教学AI助手提供，问题来源于学员提问