libsvm--svmtrain\svmpredict函数说明

 svmtrain( … );

%通过训练集来训练模型

 

svmpredict( … );

%对测试集进行预测

 

>>model = 

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

 

-train_label:

            An m by 1 vector of training labels (type must be double).

-train_matrix:

            An m by n matrix of m training instances with n features.

            It can be dense or sparse ( type must be double).

-libsvm_options:

            A string of training options in the same format as that of LIBSVM.

===============

The 'svmtrain' function returns a model which can be used for future

prediction. 

 

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

 

-test_label:

            An m by 1 vector of prediction labels. If labels of test

            data are unknown, simply use any random values. ( type must be double)

-testmatrix:

            An m by n matrix of m testing instances with n features.

            It can be dense or sparse. ( type must be double)

-model:

            The output of svmtrain.

-libsvm_options:

            A string of testing options in the same format as that of LIBSVM.

===============

 

 

English:

libsvm_options:

-s svm_type : set type of SVM (default 0)

0 -- C-SVC

1 -- nu-SVC

2 -- one-class SVM

3 -- epsilon-SVR

4 -- nu-SVR

-t kernel_type : set type of kernel function (default 2)

0 -- linear: u'*v

1 -- polynomial: (gamma*u'*v + coef0)^degree

2 -- radial basis function: exp(-gamma*|u-v|^2)

3 -- sigmoid: tanh(gamma*u'*v + coef0)

4 -- precomputed kernel (kernel values in training_instance_matrix)

-d degree : set degree in kernel function (default 3)

-g gamma : set gamma in kernel function (default 1/k)

-r coef0 : set coef0 in kernel function (default 0)

-c cost : set the parameter C of C-SVC, epsilon-SVR, and nu-SVR (default 1)

-n nu : set the parameter nu of nu-SVC, one-class SVM, and nu-SVR (default 0.5)

-p epsilon : set the epsilon in loss function of epsilon-SVR (default 0.1)

-m cachesize : set cache memory size in MB (default 100)

-e epsilon : set tolerance of termination criterion (default 0.001)

-h shrinking: whether to use the shrinking heuristics, 0 or 1 (default 1)

-b probability_estimates: whether to train a SVC or SVR model for probability estimates, 0 or 1 (default 0)

-wi weight: set the parameter C of class i to weight*C, for C-SVC (default 1)

-v n: n-fold cross validation mode

==========================================================

Chinese:

Options：可用的选项即表示的涵义如下

　　-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。