在Matlab中安装LibSVM（附使用说明）

安装

可在LIBSVM -- A Library for Support Vector Machines (ntu.edu.tw)中获取安装包，具体位置见下图：

下载成功后，在Matlab中进入LibSVM根目录下的matlab目录，并在命令行窗口中输入

mex –setup

之后Matlab可能会提示你未安装MinGW -w64编译器(楼主使用的是64位系统)，我们只需要进入到它给我们的文档链接中，按照操作步骤安装MinGW- w64编译器即可：

安装好后，继续在命令行窗口输入

make

即可编译成功，在当前目录下会出现svmtrain.mexw64、svmpredict.mexw64（64位系统）或者svmtrain.mexw32、svmpredict.mexw32（32位系统）这两个文件，把文件名svmtrain和svmpredict相应改成libsvmtrain和libsvmpredict。

为了以后使用的方便，建议把LIBSVM的编译好的文件所在路径（如C:\libsvm-3.17\matlab）添加到Matlab的搜索路径中。具体操作为：主页——>设置路径

测试

进入LibSVM的根目录运行以下代码

[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale'); model = libsvmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07'); [predict_label, accuracy, dec_values] = libsvmpredict(heart_scale_label, heart_scale_inst, model);

如果安装成功，会出现以下的运行结果，显示正确率为86.6667%。

* optimization finished, #iter = 134 nu = 0.433785 obj = -101.855060, rho = 0.426412 nSV = 130, nBSV = 107 Total nSV = 130 Accuracy = 86.6667% (234/270) (classification)

使用说明

下面是一个例子：

%训练
model=libsvmtrain(train_labels',train_data,'-s 0 -t 1 -d 3 -c 0.9 -r 0.1');  
%预测
[val_predicted_label,val_accuracy,~]=libsvmpredict(val_labels',val_data,model,'-b 1'); 
%测试
[test_predicted_label,test_accuracy,~]=libsvmpredict(test_labels',test_data,model,'-b 1');

参数设置

• -s svm类型：SVM设置类型（默认0)
  　　　　0 — C-SVC； 1 –v-SVC； 2 – 一类SVM； 3 — e-SVR； 4 — v-SVR
• -t 核函数类型：核函数设置类型（默认2）
  　　　　0 – 线性核函数：u’v
  　　　　1 – 多项式核函数：（r*u’v + coef0)^degree
  　　　　2 – RBF(径向基)核函数：exp(-r|u-v|^2）
  　　　　3 – sigmoid核函数：tanh(r*u’v + coef0)
• -d degree：核函数中的degree设置（针对多项式核函数）（默认3）
• -g r(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)
• -r coef0：核函数中的coef0设置（针对多项式/sigmoid核函数）（（默认0)
• -c cost：设置C-SVC，e -SVR和v-SVR的参数（损失函数）（默认1）
• -n nu：设置v-SVC，一类SVM和v- SVR的参数（默认0.5）
• -p p：设置e -SVR 中损失函数p的值（默认0.1）
• -m cachesize：设置cache内存大小，以MB为单位（默认40）
• -e eps：设置允许的终止判据（默认0.001）
• -h shrinking：是否使用启发式，0或1（默认1）
• -wi weight：设置第几类的参数C为weight*C (C-SVC中的C) （默认1）
• -v n: n-fold交互检验模式，n为fold的个数，必须大于等于2
• -b 概率估计：是否计算SVC或SVR的概率估计，可选值0 或1，默认0；
• 其中-g选项中的k是指输入数据中的属性数。操作参数 -v 随机地将数据剖分为n 部分并计算交叉检验准确度和均方根误差。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。training_set_file是要进行训练的数据 集；model_file是训练结束后产生的模型文件，该参数如果不设置将采用默认的文件名，也可以设置成自己惯用的文件名。