支持向量机 （SVM）从判定结果开始看

SVM的详细说明可以参考http://blog.csdn.net/v_july_v/article/details/7624837

下面是对于SVM的一些浅显的认识，（可能是错误的）（关于epsilon-SVR）

从最终的判定结果去看：

 

令核函数前的系数为pi

取值其实是核函数K与系数pi的乘积累加的结果（忽略了b）。

对于核函数的一个理解可以是两个向量的相似程度，当越接近其值越大。如高斯核。

则系数pi则可以理解为对于训练向量xi的权重。即训练集中训练向量xi的重要程度。当pi不为0时，其为支持向量（SV），可以理解为其提供信息的。

由于核函数是训练之前就给定的，所以SVM的训练求解系数pi的。

SVM的训练方程：

 

在求解问题时，是求解每个特征的权重，而最终给出的是一个训练向量的权重。

工程应用上的一些注意点：

libSVM的来源：http://www.csie.ntu.edu.tw/~cjlin/libsvm/

1.对于下载过来的svm包中仅仅只有64位系统matlab对应的mexw64，对于32位系统需要自己重新生成，具体看matlab文件夹中的readme

2.在2010matlab中自带了svmtrain，所以如果调用函数的时候可能会调用到matlab自带的，所以需要将svmtrain的路径给屏蔽掉，即删除path

3.对于采用radial basis function: exp(-gamma*|u-v|^2)为核函数时，最好将vector转为[0,1]或者[-1,1]之间。简单讲一下：当gamma为1/num_features即默认值时，当vector为[0,1]时，其核函数取值范围为[0.3649,1]当vector为[-1,1]时，其核函数为[0.0183,1],而当vector为[0,100],其核函数范围为(0,1]，无限接近于0，而且一个特征的差别比较大，将使得最终的结果的值变化非常大。

4.对于训练的特征，如果其拥有大量的一致性，即在空间上缩成一团，则在训练的效果将是比较好的。

5.在核函数的选择时，高斯核是作用是局部的。