MATLAB下使用libsvm （三）

编写程序的基本步骤~

1、将数据中心化，是每一组特征中心化，而不是每个样本的数据中心化哦。原因就是之后要进行PCA降维，这个过程之前如果不将数据中心化，那么之后测试数据集映射出来的点就不对啦~具体看图啦~

至于是否要归一化，这个并不是必要的步骤，所以看心情咯

2、PCA降维，这个最好是以矩阵短的那一边进行SVD分解，这样可以提速啦，转换的公式可以推导一下哈

X:2891×377的矩阵

根据推导可得：

Y和XZ都是C的特征向量

虽然 Y是2891×2891

     XZ是2891×377

但是，由于X的秩最多377，所以的秩最多377，所以后边都是0，即使乘起来也木有用

我们之后想要取前边多少维的数据，就直接取XZ的就好啦，和Y的效果一样哒

此处需要注意的是：Y和Z都是单位矩阵，但是XZ并不是，因此在使用XZ之前需要对XZ进行归一化

3、数据经过PCA降维之后还需要对数据进行归一化，标签不必归一化

4、训练模型~~~

主要就是调节参数啦，当然，即使你不设置参数，svmtrain也会有默认参数啦~可以运行，但是效果嘛，就不敢保证咯

上网看了好多教程，但是都没有深入讲解如何高效地调节SVM的参数~~后来才知道，原来只有C和g是可以用程序自动选择的（网上搜一下，有很多类似程序哒），其他的。。。可能都要凭经验或者试出来的~

5、测试模型

还记得之前数据中心化那一步吧，要用那个均值哦，测试的数据要减去均值，然后再进行降维操作哒，具体原因看前边的解释啦~

数据都放在一个维度上了之后，就可以用svmpredict预测啦~

这个过程就算正式全部搞定啦~然后你看准确率不大好的话，可以再调整前边的一些参数啦~加油！