libsvm 的使用

最新推荐文章于 2024-08-08 07:55:12 发布

五道口纳什

最新推荐文章于 2024-08-08 07:55:12 发布

阅读量1.8k

点赞数

分类专栏：机器学习实战

本文链接：https://blog.csdn.net/lanchunhui/article/details/72729815

版权

机器学习实战专栏收录该内容

31 篇文章 3 订阅

订阅专栏

1. libsvm 支持的SVM模型

官网地址：LIBSVM – A Library for Support Vector Machines

libsvm 支持的 SVM 模型如下（C：classification，R：regression）：

C-SVC(C-support vector classification),
nu-SVC(nu-support vector classification),
one-class SVM(distribution estimation),
epsilon-SVR(epsilon-support vector regression),
nu-SVR(nu-support vector regression)

2. 一个简单demo

%% 加载数据到内存；
load heart_scale.mat

X = heart_scale_inst;
y = heart_scale_label;

N = size(X, 1);

%% 将数据集划分为训练集和测试集
idx = randperm(N);          % 对全部样本的一次全排列；
prop = floor( .75*N);

train_X = X(1:prop, :) ;
test_X = X(prop+1:end, :);
train_y = y(1:prop, :);
test_y = y(prop+1:end, :);

%% 通过训练集进行训练
model = svmtrain(train_y, train_X, '-s 0 -t 2 -c 1.2 -g 2.8')
% 将训练好的模型作用在训练集，查看准确率情况
[predicted_labels, accuracy, decision_values] = svmpredict(train_y, train_X, model);

%% 在真实的测试集上进行测试
predicted_labels = svmpredict(test_y, test_X, model);
accuracy = sum(predicted_labels == test_y) / length(test_y)

svmtrain 参数的意义：
- -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：u’v
  % 1 – 多项式：(r*u’v + coef0)^degree
  % 2 – RBF函数：exp(-r|u-v|^2)
  % 3 –sigmoid：tanh(r*u’v + coef0)
- -c cost：设置C-SVC，e -SVR和v-SVR的参数（损失函数）(默认1)
- -g r(gama)：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)