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。
4 K2 ~6 Z2 @: H
0 P% U: C1 L# }4 Z! z3 Alibsvm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。
4 o) w$ f4 t/ {1 |1 q
2 T2 J( T, y% K& V两个步骤：训练建模——>模型预测
, G: s! T2 m/ m" E- b
分类  model = svmtrain(trainlabel, traindata, '-s 0 -t 2 -c 1.2 -g 2.8');
3 e+ @( s( K$ C( O" O/ }: O
回归  model = svmtrain(trainlabel, traindata, '-s 3 -t 2 -c 2.2 -g 2.8 -p 0.01');

参数说明：
3 F& f3 t0 A) w! `8 A# a$ t/ g# J4 N
0 `. |  ]0 G" a8 I: F: \-s svm类型：SVM设置类型(默认0)
　　0 -- C-SVC
　　1 --v-SVC
" f9 ~6 h& T2 p- ?5 k& B6 y2 X/ [　　2 – 一类SVM
　　3 -- e -SVR
　　4 -- v-SVR

. D0 ]" m6 X5 }8 |  d& _-t 核函数类型：核函数设置类型(默认2)
0 o. V# {2 k# L$ U7 d　　0 – 线性：u'v
　　1 – 多项式：(r*u'v + coef0)^degree
. f/ @- |5 {/ o& k　　2 – RBF函数：exp(-r|u-v|^2)
　　3 –sigmoid：tanh(r*u'v + coef0)

7 k: q# o- c" T) ?/ V-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
+ w' ?2 @: x4 L
, ]8 P% P+ N0 w' z* o-n nu：设置v-SVC，一类SVM和v- SVR的参数(默认0.5)

$ H) r$ _2 m9 \2 l& ?( c* z-p p：设置e -SVR 中损失函数p的值(默认0.1)
# q9 @, \& U" j/ J( Y" X% k
-d degree：核函数中的degree设置(针对多项式核函数)(默认3)
7 N# d3 N3 W3 E" M
-wi weight：设置第几类的参数C为weight*C(C-SVC中的C)(默认1)
1 U4 S! v6 p8 k
-v n: n-fold交互检验模式，n为fold的个数，必须大于等于2
" ]4 m8 u9 F- f. ~* Q6 ^6 L- y
% T+ W! X4 w' E: \6 W7 `& K! M* p/ Q

libsvm使用误区----------------------
! U; [2 @+ R6 x
7 G" ]! p4 m- t, F% u9 Q* D, d(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。

1 k1 q! t' N! l/ d(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。
(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 q7 T4 c  E4 \( l2 }% b/ Y5 Q
(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。
3 N$ `: G8 F! p2 q9 ?" r6 a
: R, j# b  ?+ Q0 t" |; ?(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
5 B; u' a- M- B+ a

; v3 I# D1 j4 F
, b% F2 o, b1 [( u
; v( m0 s# C1 n0 `# x

CCxiaom

matlab中libsvm的svmtrain函数用法