matlab下的LIBSVM的使用公開課

matlab下的LIBSVM的使用公開課Contents

1.

2.

3.使用

4.總結(jié)簡(jiǎn)介L(zhǎng)IBSVM是臺(tái)灣大學(xué)林智仁(LinChih-Jen)副教授等開發(fā)設(shè)計(jì)的一個(gè)簡(jiǎn)單、易于使用和快速有效的SVM模式識(shí)別與回歸的軟件包。該軟件提供了編譯好的可在Windows系列系統(tǒng)的執(zhí)行文件，還提供了源代碼，方便改進(jìn)、修改以及在其它操作系統(tǒng)上應(yīng)用且對(duì)SVM所涉及的參數(shù)調(diào)節(jié)相對(duì)比較少，提供了很多的默認(rèn)參數(shù)，利用這些默認(rèn)參數(shù)可以解決很多問題并提供了交互檢驗(yàn)(CrossValidation)的功能該軟件包可在://.tw/~cjlin/獲得。該軟件可以解決C-SVM、ν-SVM、ε-SVR和ν-SVR等問題，包括基于一對(duì)一算法的多類模式識(shí)別問題。安裝下載之后設(shè)置路徑FILE——SetPath——Addwithsubfoders——選擇所在文件夾選擇編譯器libsvm的原始版本使用C++寫的，為了在matlab平臺(tái)下使用，需要用C++編譯器編譯，生成類似于.m文件的.mexw32文件。這里要說明matlab自帶一個(gè)C編譯器Lcc_win32C，但此處需要C++編譯器。matlab支持的編譯器列表：選擇編譯器mex-setup命令編譯make命令編譯后文件夾中會(huì)出現(xiàn)多個(gè)svmtrain.mexw32、svmpredict.mexw32等文件。.mexw32文件是加密文件，打開為亂碼。運(yùn)行help對(duì)這些函數(shù)無效然后便可使用工具箱使用

參數(shù)設(shè)置主要函數(shù)主要參數(shù)設(shè)置-s(默認(rèn)0)——SVM類型選擇0--CSVC

（分類問題）1--nu-SVC（分類問題，引入一個(gè)新的參數(shù)nu）2--one-classSVM（做分布估計(jì)）3--epsilon-SVR（回歸問題）4--nu-SVR

主要參數(shù)設(shè)置-t(默認(rèn)2)——選擇核函數(shù)0--線性核函數(shù):u'*v1--多項(xiàng)式核函數(shù):(gamma*u'*v+coef0)^degree-ggamma(默認(rèn)為屬性數(shù)目的倒數(shù))-rcoef0(默認(rèn)0)-ddegree(默認(rèn)3)2--

RBF核函數(shù)：exp(-gamma*|u-v|^2)-ggamma(默認(rèn)為屬性數(shù)目的倒數(shù))——很敏感3--sigmoid核函數(shù)：tanh(gamma*u'*v+coef0)-ggamma(默認(rèn)為屬性數(shù)目的倒數(shù))-rcoef0(默認(rèn)0)4--預(yù)定義核函數(shù)(指定核矩陣)主要參數(shù)設(shè)置-wi：（默認(rèn)1）只能在模型C-SVC模型中使用設(shè)置第幾類的參數(shù)C的weight*C(C-SVC中的C)當(dāng)某一類樣本數(shù)目比較少時(shí)，可以給其設(shè)置較大的懲罰參數(shù)，提高這一類樣本的分類準(zhǔn)確率。如model=svmtrain(label,data,'-c1-w12-w-10.5')

標(biāo)簽1的樣本懲罰參數(shù)為2標(biāo)簽為-1的樣本懲罰參數(shù)為0.5

主要參數(shù)設(shè)置-v（一般選擇5或10）交叉檢驗(yàn)，參數(shù)必須大于2當(dāng)使用此參數(shù)時(shí)，返回的結(jié)果不再是一個(gè)結(jié)構(gòu)體model

分類問題，返回的是交叉檢驗(yàn)下的平均分類準(zhǔn)且率回歸問題，返回的是交叉檢驗(yàn)下的平均均方差誤差測(cè)試數(shù)據(jù)及格式測(cè)試數(shù)據(jù)集libsvm官方提供的測(cè)試數(shù)據(jù)格式是C++版本使用的，需要使用libsvmread進(jìn)行格式轉(zhuǎn)換UCI數(shù)據(jù)集等格式

標(biāo)簽屬性編號(hào)1:屬性值1屬性編號(hào)2:屬性值2如：+11:0.782:13:1........分類問題兩個(gè)主要函數(shù)svmtrainmodel=svmtrain(trainLabel,trainInstance,'參數(shù)')svmpredict

[predictLabel,accuracy,value]=svmpredict

(testLabel,testInstance,model)

總結(jié)--未來計(jì)劃精細(xì)的調(diào)節(jié)各種svm參