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。
* Q8 C  g- f8 Z! }! D
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。
" N/ g% E7 Q9 }3 @0 N: j4 K/ k
两个步骤：训练建模——>模型预测
, k. |$ b( h+ l4 D( N* g3 l
分类  model = svmtrain(trainlabel, traindata, '-s 0 -t 2 -c 1.2 -g 2.8');
& Q- Z; h: g7 W2 x2 D
, Y3 b% g& \. n& j1 E回归  model = svmtrain(trainlabel, traindata, '-s 3 -t 2 -c 2.2 -g 2.8 -p 0.01');

4 `9 t: u) p  d. x2 S参数说明：
6 J3 R! h7 |( Q8 P) T
+ ]- w/ `; O  e-s svm类型：SVM设置类型(默认0)
　　0 -- C-SVC
! e/ y5 Z* f* O! D　　1 --v-SVC
- |% U+ c7 x" ^　　2 – 一类SVM
　　3 -- e -SVR
　　4 -- v-SVR

-t 核函数类型：核函数设置类型(默认2)
, A' d2 b  I0 M- Y' D: M　　0 – 线性：u'v
4 S) q9 I2 ?% J6 q: C3 S　　1 – 多项式：(r*u'v + coef0)^degree
　　2 – RBF函数：exp(-r|u-v|^2)
2 Q; I. L7 ]) n　　3 –sigmoid：tanh(r*u'v + coef0)
4 `4 J: @4 J( \8 `/ d  S* Y$ g
-g r(gama)：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)

% ^) p0 S2 o' l8 d3 j1 j  L" F-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
/ Y" i7 w6 R1 h& X- |
-n nu：设置v-SVC，一类SVM和v- SVR的参数(默认0.5)
! n3 I: A* w* V' ]1 R
-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)

- d8 |% n( k1 S' S-wi weight：设置第几类的参数C为weight*C(C-SVC中的C)(默认1)
7 l7 V. K/ T* _+ r4 f
* m! M, `  h1 Y5 W-v n: n-fold交互检验模式，n为fold的个数，必须大于等于2

6 o5 c/ [" M) `: P8 M, |

libsvm使用误区----------------------

  j: Z7 F% ]$ R6 g0 p  I6 |# w(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。
% d: ?2 O" d6 ?4 m% P6 bb) 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。
3 y! {& B% Y5 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。

(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
% O8 e5 E! w4 J
& S  w# b" ?$ P' U3 P

CCxiaom

matlab中libsvm的svmtrain函数用法