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。
/ r4 G5 A+ P* ?
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。

两个步骤：训练建模——>模型预测
' {# ]' i( B/ k. b& V
分类  model = svmtrain(trainlabel, traindata, '-s 0 -t 2 -c 1.2 -g 2.8');
/ s4 t8 G6 c  s; [
& x- P( n5 d' s+ y* {4 U# s. P0 C回归  model = svmtrain(trainlabel, traindata, '-s 3 -t 2 -c 2.2 -g 2.8 -p 0.01');

参数说明：

-s svm类型：SVM设置类型(默认0)
　　0 -- C-SVC
　　1 --v-SVC
+ J$ \# c) o  x　　2 – 一类SVM
　　3 -- e -SVR
　　4 -- v-SVR
1 V/ r7 t( ~: u! y9 M) \6 e
-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)
7 j' A4 J% O0 b$ o　　3 –sigmoid：tanh(r*u'v + coef0)
/ Q8 j# W. V: @1 ^, p
-g r(gama)：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)
/ \  R4 O: H4 x6 Y' d, T, t; T3 s9 U; F
0 y: ~9 ^6 \$ _! C-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

, |: J- t+ E6 p/ Z" o5 H/ q-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  a, A2 f* @  g-d degree：核函数中的degree设置(针对多项式核函数)(默认3)
2 I( Z$ u) r* h" ]; R
7 k; v1 H  v2 H6 W-wi weight：设置第几类的参数C为weight*C(C-SVC中的C)(默认1)
* e6 |8 N% J: J2 B% K/ [
8 r$ P+ x8 ?4 w  J& o9 n% b-v n: n-fold交互检验模式，n为fold的个数，必须大于等于2
7 ^: ?% M0 `7 y+ y
5 t; Q' L7 K9 E" b

libsvm使用误区----------------------
4 g, [% K2 e0 ]$ ~% u8 c" e
(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。

4 f# I' c$ h8 `(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。
% B+ G0 S- ]" W4 l0 L) Qa) 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。
9 Y8 O2 @& q: A(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。
5 V1 N# @( t! K# z  X
(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。
( i  |& H+ X/ [, O+ x
(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

( F4 E2 V# r+ Y) H$ l% W/ D

& z/ W* n4 [6 j( C( B% _
) Y! j6 b: @7 P$ _) y
5 z. `# h% }2 Z. |' A

CCxiaom

matlab中libsvm的svmtrain函数用法