LIBSVM工具箱的安装（MATLAB)

 LIBSVM是一个由台湾大学林智仁(Lin Chih-Jen)教授等开发的SVM模式识别与回归的软件包，使用简单，功能强大。是一个广泛应用的SVM工具箱，它提供了一组函数和工具，用于训练和测试支持向量机模型。 Libsvm支持多种SVM模型，包括C-SVM、ν-SVM、One-Class SVM等。

下载链接：https://www.csie.ntu.edu.tw/~cjlin/libsvm/#download

需要提前下一个编辑器，将c++语言转换为matlab可识别的语言。

下载链接：TDM-GCC 10.3.0 release | tdm-gcc

 下载不了提供百度网盘链接：https://pan.baidu.com/s/19E3TeY3cFwIaEvrzmAlGuw?pwd=4z69 
提取码：4z69

 编译器

然后在下载的libsvm的matlab路径下，运行以下代码

setenv('MW_MINGW64_LOC','C:\TDM-GCC-64')%设置编译器的系统变量
mex -setup
%下面是会出现的提示
%{
MEX 配置为使用 'MinGW64 Compiler (C)' 以进行 C 语言编译。
警告: MATLAB C 和 Fortran API 已更改，现可支持
	 包含 2^32-1 个以上元素的 MATLAB 变量。您需要
	 更新代码以利用新的 API。
	 您可以在以下网址找到更多的相关信息:
	 https://www.mathworks.com/help/matlab/matlab_external/upgrading-mex-files-to-use-64-bit-api.html。

要选择不同的语言，请从以下选项中选择一种命令:
 mex -setup C++ 
 mex -setup FORTRAN
%}

选择C++就可以，编译成功后。运行

make

就成功安装好了libsvm工具箱了，最后将该工具箱添加到路径中，

添加后在预设的常规中更新一下。

测试

代码

load heart_scale;
model=svmtrain(heart_scale_label,heart_scale_inst,'-c 1 -g 0.07');
[predict_label,accuracy,dec_value]=svmpredict(heart_scale_label,heart_scale_inst,model);
%输出为2的时候不返回值，所以要设三个。
%官方的工具箱中heart_scale数据有问题，要下最新数据或者为.mat形式

结果为Accuracy = 86.6667% (234/270) (classification)，则安装成功。

svmtrain函数格式

model= svmtrain(train_label, train_data, ['libsvm_options']);

两个步骤：训练建模——>模型预测

分类  model = svmtrain(train_label, train_data, '-s 0 -t 2 -c 1.2 -g 2.8');

回归  model = svmtrain(train_label, train_data, '-s 3 -t 2 -c 2.2 -g 2.8 -p 0.01');

其中：

train_label表示训练集的标签。

train_matrix表示训练集的数据。

libsvm_options是需要设置的一系列参数，如果用回归的话，其中的-s参数值应为3。

参数说明：

-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)

-d degree：核函数中的 degree 设置(针对多项式核函数)(默认 3)

-g r(gama)：核函数中的 gamma 函数设置(针对多项式/rbf/sigmoid 核函数)(默认 1/ k)

-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

其中-g 选项中的 k 是指输入数据中的属性数。option -v 随机地将数据剖分为 n 部分并计算交互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。

输出

分类参数

iter：迭代次数
nu: 与前面的操作参数-n nu 相同
obj:为SVM问题转换为的二次规划求解得到的最小值
rho:表示决策函数中的常数项的相反数（-b）
nSV:标准支持向量个数,就是在分类的边界上，松弛变量等于0，朗格朗日系数 0=<ai<C  
nBSV:边界的支持向量个数,不在分类的边界上，松弛变量大于0，拉格郎日系数 ai = C
Accuracy:预测结果的准确率, 为3*1的向量，第一维就是准确率，显示为百分比，如95，精度就是95％

回归参数

iter：迭代次数
nu: 与前面的操作参数-n nu 相同
obj:为SVM问题转换为的二次规划求解得到的最小值
rho:表示决策函数中的常数项的相反数（-b）
nSV:标准支持向量个数,就是在分类的边界上，松弛变量等于0，拉格朗日系数 0=<ai<C  
nBSV:边界的支持向量个数,不在分类的边界上，松弛变量大于0，拉格郎日系数 ai = C
Mean squared error：均方误差
Squared correlation coefficient：平方相关系数