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。
% V  X0 W8 y  {. l
  z4 O/ a& I5 ~  n% |9 w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。

libsvm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。
& `+ R1 K+ a/ t1 ]
两个步骤：训练建模——>模型预测
1 w, ^- q9 |; d8 ]; U: f
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');
; h: f) S; t6 l6 L/ V4 x. z& I! i
参数说明：

& {; O7 T  p) x2 R. C-s svm类型：SVM设置类型(默认0)
　　0 -- C-SVC
- |3 h, U6 X5 G  {5 O　　1 --v-SVC
1 |+ Q/ x1 r. _" [" l$ c# X! R, Z. A　　2 – 一类SVM
　　3 -- e -SVR
　　4 -- v-SVR
- }0 a- k  k, o# K4 f# n9 z# D) ]9 ?
-t 核函数类型：核函数设置类型(默认2)
　　0 – 线性：u'v
　　1 – 多项式：(r*u'v + coef0)^degree
　　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)

-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)

7 }4 G8 _3 {# d! A6 M3 ?-p p：设置e -SVR 中损失函数p的值(默认0.1)
& G* \4 w5 i6 Y; o$ b
-d degree：核函数中的degree设置(针对多项式核函数)(默认3)
/ K7 K) z% u+ Z* V0 H
-wi weight：设置第几类的参数C为weight*C(C-SVC中的C)(默认1)
* ?8 K" q( `  i( X1 e* R9 Z
2 N+ X7 i( C  Q# v6 D4 E-v n: n-fold交互检验模式，n为fold的个数，必须大于等于2

4 P, v* o( X! T, \2 a; ~; I8 T
+ `: ?* P* ?5 a- w9 ~- h- E
2 K+ x4 |! C/ x: blibsvm使用误区----------------------

% W$ N" j9 ?  O/ |(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。

& G( Q7 {; n' _(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。
9 `" h8 F; H& @* I8 ]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。
  _+ D  _; F$ h  S, I+ L(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。
! l7 B- a6 \/ Q( a0 ]; N
: h4 O# b6 \# f8 T(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。
3 C4 |8 x$ P+ c, e
(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
# Z% y- g) d. \* {3 {4 H
% S, R5 T9 M+ Z0 h6 O1 u- Y
; w& T9 T* \; f* v0 V3 A$ ~. F

; k6 h  O1 H7 o) o
9 a$ G$ i8 y) f

CCxiaom

matlab中libsvm的svmtrain函数用法