MATLAB环境使用LIBSVM-分类详解（三）

介绍

LIBSVM在MATLAB下只有四个函数，分别时：libsvmread，Libsvmwrite，svmtrain，svmpredict。

函数说明及参数详解

libsvmread函数用于读取数据 。
用法

[label,instance]=libsvmread('libsvm_data'); 

libsvmwrite写函数，就是把已知数据存起来 。
用法

libsvmwrite('libsvm_data.mat',label, instance); 

要求instance为稀疏矩阵。

svmtrain训练函数，训练数据产生模型的,参数options可以省略，但是默认的参数可能无法得到较好的分类或回归效果。

model = svmtrain(label,instance,options) 

options 参数

options的参数设置可以按照 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 类型中没有或者错误将使用默认设置。

-s svm类型：SVM模型设置类型（默认值为0）
    0：C - SVC
    1:nu - SVC
    2：one - class SVM
    3: epsilon - SVR
    4: nu - SVR
- t 核函数类型：核函数设置类型（默认值为2）
    0:线性核函数 u'v
    1:多项式核函数(r *u'v + coef0)^degree
    2:RBF 核函数 exp( -r|u - v|^2)
    3:sigmiod核函数 tanh(r * u'v + coef0)
- d degree:核函数中的 degree 参数设置（针对多项式核函数，默认值为3）
- g r(gama):核函数中的gama参数设置（针对多项式/sigmoid 核函数/RBF/，默认值为属性数目的倒数）
- r coef0:核函数中的coef0参数设置(针对多项式/sigmoid核函数，默认值为0)
- c cost:设置 C - SVC,epsilon - SVR 和 nu - SVR的参数（默认值为1）
- n nu:设置 nu-SVC ，one - class SVM 和 nu - SVR的参数
- p epsilon:设置 epsilon - SVR 中损失函数的值（默认值为0.1）
- m cachesize:设置 cache 内存大小，以 MB 为单位（默认值为100）
- e eps:设置允许的终止阈值（默认值为0.001）
- h shrinking：是否使用启发式，0或1（默认值为1）
- wi weight:设置第几类的参数 C 为 weight * C（对于 C - SVC 中的 C，默认值为1）
- v n:n - fold 交互检验模式，n为折数，必须大于等于2

options参数使用例子

% 建立分类模型
model = svmtrain(label,instance,'-s 0 -t 2 -c 1.2 -g 2.8');

svmpredict训练函数，使用训练的模型去预测数据类型。

[predict_label,accuracy,dec_values] = svmpredict(test_label,test_instance,model) 

输出为三个参数，预测的类型，准确率，评估值。

分类测试

测试数据使用 LIBSVM 自带的 heart_scale.mat 数据（共计270个样本，每个样本有13个属性），进行测试。3.23版本的LIBSVM提供的heart_scale数据无法使用libsvmread直接打开，我们使用MATLAB自带函数load加载数据即可。

heart_scale数据讲解

LIBSVM 自带的 heart_scale数据共计270个样本，每个样本有13个属性。

测试代码如下：

clc;  
clear;  
load heart_scale;
model = svmtrain(heart_scale_label,heart_scale_inst)   
[predict_label,accuracy,dec_values] = svmpredict(heart_scale_label,heart_scale_inst,model) 

模型训练信息

*
optimization finished, #iter = 162
nu = 0.431029
obj = -100.877288, rho = 0.424462
nSV = 132, nBSV = 107
Total nSV = 132

其中，
#iter 为迭代次数，
nu 为options参数中的介绍，
obj 为 SVM 文件转换为的二次规划求解得到的最小值，
rho 为判决函数的常数项 b ，
nSV 为支持向量个数，
nBSV 为边界上的支持向量个数，
Total nSV 为支持向量总个数。
模型信息

model = 

  包含以下字段的 struct:

    Parameters: [5×1 double]
      nr_class: 2
       totalSV: 132
           rho: 0.4245
         Label: [2×1 double]
    sv_indices: [132×1 double]
         ProbA: []
         ProbB: []
           nSV: [2×1 double]
       sv_coef: [132×1 double]
           SVs: [132×13 double]

model.Parameters意义

>> model.Parameters
ans =

         0
    2.0000
    3.0000
    0.0769
         0

从上至下意义：

- s svm类型：SVM模型设置类型（默认值为0）
- t 核函数类型：核函数设置类型（默认值为2）
- d degree:核函数中的 degree 参数设置（针对多项式核函数，默认值为3）
- g r(gama):核函数中的gama参数设置（针对多项式/sigmoid 核函数/RBF/，默认值为属性数目的倒数）
- r coef0:核函数中的coef0参数设置(针对多项式/sigmoid核函数，默认值为0)

model.Label model.nr_class

model.label 表示数据集中类别的标签，这是[1 -1]
model.nr_class 表示数据集有多少个类别，这里是2个

model.totalSV model.nSV

model.totalSV 代表总共的支持向量的数目
model.nSV 代表每类样本的支持向量的数目，model.nSV 所代表的顺序是和 model.label 相对应。

model.sv_coef model.SVs model.rho

model.sv_coef，是支持向量在决策函数中的系数；
model.SVs，是支持向量；
model.rho，是决策函数中的常数项的相反数。

accuracy

svmpredict函数，返回参数accuracy是分类准确率，分类问题中用到的参数指标。
predict_label是，对输入数据进行分类预测的类别标签。

完

对于其中的不足或有新的体会届时会重新更新。

引用
https://www.cnblogs.com/blogwww/p/9473360.html