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。

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。
2 R# `) }. g: G
1 h7 J4 [# y2 _- ]  T5 q两个步骤：训练建模——>模型预测
. C3 }$ ^/ F' r6 w( J! d- c( A
. I5 t4 Y0 t# b分类  model = svmtrain(trainlabel, traindata, '-s 0 -t 2 -c 1.2 -g 2.8');

% c5 W9 x& W8 n% i, j回归  model = svmtrain(trainlabel, traindata, '-s 3 -t 2 -c 2.2 -g 2.8 -p 0.01');
# [, d5 v8 L- X: |, P0 y; {, v
+ C; N  o8 R4 Z8 z7 k6 o参数说明：

-s svm类型：SVM设置类型(默认0)
: C% {! ?' J: z. ?, s( L! |  q; ]5 q% n　　0 -- C-SVC
; O: b5 _( k( u8 U! F9 R　　1 --v-SVC
　　2 – 一类SVM
　　3 -- e -SVR
5 f6 r, V7 {/ v, _7 ~　　4 -- v-SVR
% v  E) ~) _) t. o/ N- A+ K
-t 核函数类型：核函数设置类型(默认2)
6 N: v" g. a& ]; |" O7 P) Z　　0 – 线性：u'v
　　1 – 多项式：(r*u'v + coef0)^degree
　　2 – RBF函数：exp(-r|u-v|^2)
# a3 ~! X, u0 S　　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)

-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)

-wi weight：设置第几类的参数C为weight*C(C-SVC中的C)(默认1)

-v n: n-fold交互检验模式，n为fold的个数，必须大于等于2



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。

(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。
% P7 O- p9 U+ d' D3 Rb) 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。
; Q0 n6 Y1 W0 f* T( G; V* e9 T(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。

9 a* h' r7 ]3 i( O* b  ^(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

, K# O1 y9 N' v$ o& t/ `
9 N. G8 H( u' k" m( O  R( L" V


- e- `1 e' z: M2 \& a7 Q

CCxiaom

matlab中libsvm的svmtrain函数用法