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。
8 \6 b1 A3 F; k6 r: A( O- `$ ^! H2 V
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。
  a, q6 i( h' _' q
& S) w2 r! S5 z/ |/ Klibsvm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。
2 B0 i$ s8 z8 p6 `! [7 w3 s
两个步骤：训练建模——>模型预测
# ~2 t3 A2 U2 k
分类  model = svmtrain(trainlabel, traindata, '-s 0 -t 2 -c 1.2 -g 2.8');
1 ]9 b0 z' L" O$ U9 J
回归  model = svmtrain(trainlabel, traindata, '-s 3 -t 2 -c 2.2 -g 2.8 -p 0.01');

参数说明：
: U+ W+ h3 \9 M* X. E1 @7 b  U' W, n
-s svm类型：SVM设置类型(默认0)
　　0 -- C-SVC
1 o. \3 @4 \- R; z- [) e% \　　1 --v-SVC
　　2 – 一类SVM
　　3 -- e -SVR
　　4 -- v-SVR

+ [0 V( I5 Y3 [) T+ e-t 核函数类型：核函数设置类型(默认2)
- k$ R% U& {$ T/ \　　0 – 线性：u'v
　　1 – 多项式：(r*u'v + coef0)^degree
5 E: y7 f% r' e( r7 i　　2 – RBF函数：exp(-r|u-v|^2)
* u; a4 {6 p+ T3 k: J; X　　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)

; m4 H2 L" t: j0 x-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
! A" Y4 z/ I, L, @0 s4 h4 v5 L
% c  ?  O2 b5 Z: |, J-n nu：设置v-SVC，一类SVM和v- SVR的参数(默认0.5)
) [# b( V- W1 |' l
-p p：设置e -SVR 中损失函数p的值(默认0.1)

-d degree：核函数中的degree设置(针对多项式核函数)(默认3)

# t, M6 R& x" ], p. O7 |( {! I-wi weight：设置第几类的参数C为weight*C(C-SVC中的C)(默认1)
! H& Z0 }3 X( n) r6 S2 Q3 ?5 P
-v n: n-fold交互检验模式，n为fold的个数，必须大于等于2
* z% C- d% F$ s+ S8 I
: u& d- `' z, H" Q6 l
* k+ v& ~3 \2 g. {  L
libsvm使用误区----------------------

(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。
5 S# f" s7 l& d: @! b0 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。
7 U: r" }$ g, }" M* s# nb) 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。

(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。

(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
8 o3 ]& `9 Q, K' X, M
! g: W( c, d( y5 S0 u
3 M! M" j$ s. X* V/ Y
2 D# t- B! o1 W6 Y- i

CCxiaom

matlab中libsvm的svmtrain函数用法