svmtrain和svmpredict簡介回歸、分類

1、精選優(yōu)質(zhì)文檔-傾情為你奉上精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)專心-專注-專業(yè)精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)svmtrain和svmpredict簡介 分類:SVM本文主要介紹了SVM工具箱中svmtrain和svmpredict兩個主要函數(shù)：(1)model= svmtrain(train_label, train_matrix, libsvm_options);其中：train_label表示訓練集的標簽。train_matrix表示訓練集的屬性矩陣。libsvm_options是需要設置的一系列參數(shù)，各個參數(shù)可參見libsvm 參數(shù)說明.txt，里面介紹的很詳細，中英文

2、都有的。如果用回歸的話，其中的-s參數(shù)值應為3。model:是訓練得到的模型，是一個結構體（如果參數(shù)中用到-v，得到的就不是結構體，對于分類問題，得到的是交叉檢驗下的平均分類準確率；對于回歸問題，得到的是均方誤差）。(2)predicted_label, accuracy/mse,decision_values/prob_estimates=svmpredict(test_label, test_matrix, model, libsvm_options);其中：test _label表示測試集的標簽（這個值可以不知道，因為作預測的時候，本來就是想知道這個值的，這個時候，隨便制定一個值就可以了

3、，只是這個時候得到的mse就沒有意義了）。test _matrix表示測試集的屬性矩陣。model 是上面訓練得到的模型。libsvm_options是需要設置的一系列參數(shù)。predicted_label表示預測得到的標簽。accuracy/mse是一個3*1的列向量，其中第1個數(shù)字用于分類問題，表示分類準確率；后兩個數(shù)字用于回歸問題，第2個數(shù)字表示mse；第三個數(shù)字表示平方相關系數(shù)（也就是說，如果分類的話，看第一個數(shù)字就可以了；回歸的話，看后兩個數(shù)字）。decision_values/prob_estimates：第三個返回值，一個矩陣包含決策的值或者概率估計。對于n個預測樣本、k類的問題，

4、如果指定“-b 1”參數(shù)，則n x k的矩陣，每一行表示這個樣本分別屬于每一個類別的概率；如果沒有指定“-b 1”參數(shù)，則為n x k*(k-1)/2的矩陣，每一行表示k(k-1)/2個二分類SVM的預測結果。(3) 訓練的參數(shù)LIBSVM訓練時可以選擇的參數(shù)很多，包括：-s svm類型：SVM設置類型（默認0)0 C-SVC； 1 v-SVC； 2 一類SVM； 3 e-SVR； 4 v-SVR-t 核函數(shù)類型：核函數(shù)設置類型（默認2）0 線性核函數(shù)：uv 1 多項式核函數(shù)：（r*uv + coef0)degree2 RBF(徑向基)核函數(shù)：exp(-r|u-v|2）3 sigmoid核函數(shù)

5、：tanh(r*uv + coef0)-d degree：核函數(shù)中的degree設置（針對多項式核函數(shù)）（默認3）-g r(gamma）：核函數(shù)中的gamma函數(shù)設置（針對多項式/rbf/sigmoid核函數(shù)）（默認1/k，k為總類別數(shù))-r coef0：核函數(shù)中的coef0設置（針對多項式/sigmoid核函數(shù)）（默認0)-c cost：設置C-SVC，e -SVR和v-SVR的參數(shù)（損失函數(shù)）（默認1）-n nu：設置v-SVC，一類SVM和v- SVR的參數(shù)（默認0.5）-p p：設置e -SVR 中損失函數(shù)p的值（默認0.1）-m cachesize：設置cache內(nèi)存大小，以MB為單位（默認40）-e eps：設置允許的終止判據(jù)（默認0.001）-h shrinking：是否使用啟發(fā)式，0或1（默認1）-wi weight：設置第幾類的參數(shù)C為weight*C (C-SVC中的C) （默認1）-v n: n-fold交互檢驗模式，n為fold的個數(shù)，必須大于等于2以上這些參數(shù)設置