svmtrain和svmpredict简介回归、分类

svmtrain和svmpredict简介分类:SVM本文主要介绍了SVM工具箱中svmtrain和svmpredict两个主要函数：model=svmtrain(train_label,train_matrix,libsvm_options);其中：train_label表示训练集的标签。train_matrix表示训练集的属性矩阵。libsvm_options是需要设置的一系列参数，各个参数可参见libsvm参数说明.txt，里面介绍的很详细，中英文都有的。如果用回归的话，其中的-s参数值应为3。model:是训练得到的模型，是一个结构体（如果参数中用到-v，得到的就不是结构体，对于分类问题，得到的是交叉检验下的平均分类准确率；对于回归问题，得到的是均方误差）。（2）predicted_label,accuracy/mse,decision_values/prob_estimates=svmpredict（test_label,test_matrix,model,libsvm_options）;其中：test_label表示测试集的标签（这个值可以不知道，因为作预测的时候，本来就是想知道这个值的，这个时候，随便制定一个值就可以了，只是这个时候得到的mse就没有意义了）。test_matrix表示测试集的属性矩阵。model是上面训练得到的模型。libsvm_options是需要设置的一系列参数。predicted_label表示预测得到的标签。accuracy/mse是一个3*1的列向量，其中第1个数字用于分类问题，表示分类准确率；后两个数字用于回归问题，第2个数字表示mse；第三个数字表示平方相关系数（也就是说，如果分类的话，看第一个数字就可以了；回归的话，看后两个数字）。decision_values/prob_estimates：第三个返回值，一个矩阵包含决策的值或者概率估计。对于n个预测样本、k类的问题，如果指定“-b1”参数，则nxk的矩阵，每一行表示这个样本分别属于每一个类别的概率；如果没有指定“-b1”参数，则为nxk*（k-1）/2的矩阵，每一行表示k（k-1）/2个二分类SVM的预测结果。（3）训练的参数LIBSVM训练时可以选择的参数很多，包括：-ssvm类型：SVM设置类型（默认0）0C-SVC;1vSVC;2一类SVM;3e-SVR；4v-SVR-t核函数类型：核函数设置类型（默认2）0-线性核函数：uv-多项式核函数：（r*uv+coef0）AdegreeRBF（径向基）核函数：exp（-r|u-v$2）-sigmoid核函数：tanh（r*uv+coefO）-ddegree：核函数中的degree设置（针对多项式核函数）（默认3）-gr（gamma）：核函数中的gamma函数设置（针对多项式/rbf/sigmoid核函数）（默认1/k，k为总类别数）-rcoef0：核函数中的coef0设置（针对多项式/sigmoid核函数）（默认0）-ccost：设置C-SVC，e-SVR和v-SVR的参数（损失函数）（默认1）-nnu：设置v-SVC，一类SVM和v-SVR的参数（默认0.5）-pp：设置e-SVR中损失函数p的值（默认0.1）-mcachesize：设置cache内存大小，以MB为单位（默认40）-eeps：设置允许的终止判据（默认0.001）-hshrinking：是否使用启发式，0或1（默认1）-wiweight：设置第几类的参数C为weight*C（C-SVC中的C）（默认1）-vn:n-fold交互检验模式，n为fold的个数，必须大于等于2以上这些参数设置可以按照SVM的类型和核函数所支持的参数进行任意组合，如果设置的参数在函数或SVM类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。