#matlab中文论坛-SVM01.md

SVM Matlab 工具箱分类实例应用及理论介绍

1. libsvm

a. 安装操作

b. 主要操作

svmtrain

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

• train_label表示训练集的标签。
• train_matrix表示训练集的属性矩阵。
• libsvm_options是需要设置的一系列参数，各个参数可参见《libsvm 参数说明.txt》，里面介绍的很详细，中英文都有的。如果用回归的话，其中的-s参数值应为3。
• model:是训练得到的模型，是一个结构体（如果参数中用到-v，得到的就不是结构体，对于分类问题，得到的是交叉检验下的平均分类准确率；对于回归问题，得到的是均方误差）。

---

svmpredict

[predicted_label, accuracy/mse, decision_values]=svmpredict(test_label, test_matrix, model, ['libsvm_options']);

• test _label表示测试集的标签（这个值可以不知道，因为作预测的时候，本来就是想知道这个值的，这个时候，随便制定一个值就可以了，只是这个时候得到的mse就没有意义了）。
• test _matrix表示测试集的属性矩阵。
• model是上面训练得到的模型。
  
  • libsvm_options是需要设置的一系列参数。
  • predicted_label表示预测得到的标签。
• accuracy/mse是一个3*1的列向量，其中第1个数字用于分类问题，表示分类准确率；后两个数字用于回归问题，第2个数字表示mse；第三个数字表示平方相关系数（也就是说，如果分类的话，看第一个数字就可以了；回归的话，看后两个数字）。
• decision_values表示决策值（一般好像不怎么用）。

---

测试

>> load heart_scale.mat
>> model = svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07');
>> [predict_label, accuracy, dec_values] = svmpredict(heart_scale_label, heart_scale_inst, model);

---

分类流程

1. 选定训练集和测试机>>规范化>>特征选择
2. 利用训练集训练分类器得到 model
3. 利用model 对测试集进行预测
4. 分类器性能评测

normalization
规范化 [0 1] [-1,1]

function normal = normalization(x,kind)
% by Li Yang BNU MATH Email:farutoliyang@gmail.com QQ:516667408
% last modified 2009.2.24
%

if nargin < 2
    kind = 2;%kind = 1 or 2 表示第一类或第二类规范化
end

[m,n]  = size(x);
normal = zeros(m,n);
%% normalize the data x to [0,1]
if kind == 1  
    for i = 1:m
        ma = max( x(i,:) );
        mi = min( x(i,:) );
        normal(i,:) = ( x(i,:)-mi )./( ma-mi );
    end
end
%% normalize the data x to [-1,1]
if kind == 2
    for i = 1:m
        mea = mean( x(i,:) );
        va = var( x(i,:) );
        normal(i,:) = ( x(i,:)-mea )/va;
    end
end