matlab中libsvm的svmtrain函数用法

uqHZau

这里的LIBSVM是一个由台湾大学林智仁(Lin Chih-Jen)教授等开发的SVM模式识别与回归的软件包，使用简单，功能强大，本文主要介绍其在Matlab中的使用。

注意不是matlab自带的svm实现函数，自带的svm实现函数仅支持分类问题，不支持回归问题；而libsvm不仅支持分类问题，亦支持回归问题，参数可调节，功能更强大。
7 Y6 C' y; h( @! d$ Q( K
& w# v+ z, f0 G7 Qlibsvm的配置很简单，只需要下载高级版本的matlab和libsvm，VC或VS编译实现很简单的，这里就不细讲了。

) {- `5 H. m# D4 J7 i3 \两个步骤：训练建模——>模型预测

& \  N$ h0 w8 g1 T. H分类  model = svmtrain(trainlabel, traindata, '-s 0 -t 2 -c 1.2 -g 2.8');

回归  model = svmtrain(trainlabel, traindata, '-s 3 -t 2 -c 2.2 -g 2.8 -p 0.01');

* S& D, t! t4 [4 {% I参数说明：
1 L: i1 p) Z3 y2 ^6 k" W
' b$ c" e) W7 e. l8 l' v4 L-s svm类型：SVM设置类型(默认0)
　　0 -- C-SVC
1 C$ d( u  R, [6 m5 X　　1 --v-SVC
& _0 O8 ]( e! Z' I　　2 – 一类SVM
　　3 -- e -SVR
# C. e: x: f1 |, H( T9 X　　4 -- v-SVR
% w6 x6 l: O9 S# ^
1 I' |/ y6 G1 X-t 核函数类型：核函数设置类型(默认2)
6 ?# w- J- n! V6 H) M& H　　0 – 线性：u'v
6 l' [8 u3 [9 b6 ]. |$ K　　1 – 多项式：(r*u'v + coef0)^degree
1 r! O. t  N4 Y2 K: v　　2 – RBF函数：exp(-r|u-v|^2)
　　3 –sigmoid：tanh(r*u'v + coef0)

-g r(gama)：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)
7 {7 ^1 V! S3 r0 v* }8 q8 ?
* w$ O6 \, Z/ S$ p$ {1 V. ~-c cost：设置C-SVC，e -SVR和v-SVR的参数(损失函数)(默认1)，惩罚系数

-n nu：设置v-SVC，一类SVM和v- SVR的参数(默认0.5)

-p p：设置e -SVR 中损失函数p的值(默认0.1)

3 i" u' }3 i  @7 k9 r6 o  F-d degree：核函数中的degree设置(针对多项式核函数)(默认3)

3 L( o8 N9 h4 Z; E: e-wi weight：设置第几类的参数C为weight*C(C-SVC中的C)(默认1)
) c3 w9 A0 ]$ y* f
-v n: n-fold交互检验模式，n为fold的个数，必须大于等于2


7 D7 n# x, {3 P7 I
libsvm使用误区----------------------

( I1 F  l7 c$ ?: d(1) 直接将训练集合和测试集合简单归一化到[0,1]区间，可能导致实验结果很差。
7 u# M8 P- \3 k1 W
$ F) c. m; S; l(2) 如果样本的特征数非常多，那么就不必使用RBF核将样本映射到高维空间。
a) 在特征数非常多的情况下，使用线性核，结果已经非常好，并且只需要选择参数C即可。
b) 虽然说RBF核的结果至少比线性核好，前提下搜索整个的空间。
(3) 样本数<<特征数的情况：推荐使用线性核，可以达到与RBF同样的性能。
' V. r" w% p) W( E8 P% Z
8 [% X% R8 K# g$ j# X( x+ s; B& O(4) 样本数和特征数都非常多：推荐使用liblinear，更少的时间和内存，可比的准确率。
" J7 H) e+ X4 D* m1 j% y' i3 Q1 K
(5) 样本数>>特征数：如果想使用线性模型，可以使用liblinear，并且使用-s 2参数


+ b$ E9 i- u0 ^" ^4 R$ R2 G

: F5 ~) b2 N- r* O; Z- W
. B& V" C5 t# I5 c/ f' l# D& o

CCxiaom

matlab中libsvm的svmtrain函数用法