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。
( d+ z* ]$ G" }% y# k- F4 u  ~
7 {$ P; s$ }; w" y2 F+ Glibsvm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。

两个步骤：训练建模——>模型预测
7 C) Q' ]& i8 y6 P- e
分类  model = svmtrain(trainlabel, traindata, '-s 0 -t 2 -c 1.2 -g 2.8');

/ M; B: y7 ?: E) j回归  model = svmtrain(trainlabel, traindata, '-s 3 -t 2 -c 2.2 -g 2.8 -p 0.01');
: E3 X& B! A! I; f/ g* h- r6 A
8 ]9 B8 N$ b* `0 g4 v5 ^参数说明：
! n0 I8 P$ G  X; Y* s
9 S4 O$ B$ t; _) ~! g- z-s svm类型：SVM设置类型(默认0)
# a+ m: ]; E2 E' g/ |+ ~$ A: x　　0 -- C-SVC
　　1 --v-SVC
" j5 e! m- \) v- Y　　2 – 一类SVM
% S% }! g% o! z/ E0 e8 `4 ?$ _, o　　3 -- e -SVR
　　4 -- v-SVR

-t 核函数类型：核函数设置类型(默认2)
" i  T$ U$ C4 H& P　　0 – 线性：u'v
　　1 – 多项式：(r*u'v + coef0)^degree
9 Z7 y, c* o7 M4 b. ]$ j) a$ R5 a　　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

" P  `& A, X5 _0 n6 b1 i-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)
; z' l. ]  i( n
' U. r2 L0 o8 S( w1 g- q" y-d degree：核函数中的degree设置(针对多项式核函数)(默认3)
, R2 n7 D7 f! b/ O
-wi weight：设置第几类的参数C为weight*C(C-SVC中的C)(默认1)
" [; I) w1 v# B. `. D7 C; u
. P8 ~, Y: i5 A; N. F8 x  J-v n: n-fold交互检验模式，n为fold的个数，必须大于等于2



4 V0 T! w: L6 Y' Glibsvm使用误区----------------------
* L2 e' l! l: H5 G, ^& @
(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。

+ M; C) \' y+ R% ]: b. ]1 t- R) I(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。
+ O# Y' j$ T2 Q* [; X. e(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。

" Q2 E1 F2 }; J+ n7 W# ]/ F% ?(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。
+ _2 Y" q, [2 C7 K' u
(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


* h' O3 @8 N& h' R5 t2 V$ x

CCxiaom

matlab中libsvm的svmtrain函数用法