本節(jié)主要就是講解利用libsvm-mat工具箱建立分類（回歸模型）后，得到的模型model里面參數(shù)的意義，以及如果通過model得到相應(yīng)模型的表達(dá)式，這里主要以分類問題為例子。

測(cè)試數(shù)據(jù)使用的是libsvm-mat自帶的heart_scale.mat數(shù)據(jù)（270*13的一個(gè)屬性據(jù)矩陣，共有270個(gè)樣本，每個(gè)樣本有13個(gè)屬性），方便大家自己測(cè)試學(xué)習(xí)。

首先上一個(gè)簡(jiǎn)短的測(cè)試代碼：

%% ModelDecryption

% by faruto @ faruto's Studio~

% http://blog.sina.com.cn/faruto

% Email:faruto@163.com

% http://www.matlabsky.com

% http://www.mfun.la

% http://video.ourmatlab.com

% last modified by 2011.01.06

%% a litte clean work

tic;

close all;

clear;

clc;

format compact;

%%

% 首先載入數(shù)據(jù)

load heart_scale;

data = heart_scale_inst;

label = heart_scale_label;

% 建立分類模型

model = svmtrain(label,data,'-s 0 -t 2 -c 1.2 -g 2.8');

model

% 利用建立的模型看其在訓(xùn)練集合上的分類效果

[PredictLabel,accuracy] = svmpredict(label,data,model);

accuracy

%%

toc;

?

運(yùn)行結(jié)果：

model =

Parameters: [5x1 double]

nr_class: 2

totalSV: 259

rho: 0.0514

Label: [2x1 double]

ProbA: []

ProbB: []

nSV: [2x1 double]

sv_coef: [259x1 double]

SVs: [259x13 double]

Accuracy = 99.6296% (269/270) (classification)

accuracy =

99.6296

0.0148

0.9851

Elapsed time is 0.040155 seconds.

?

這里面為了簡(jiǎn)單起見沒有將測(cè)試數(shù)據(jù)進(jìn)行訓(xùn)練集和測(cè)試集的劃分，這里僅僅是為了簡(jiǎn)單明了而已，分類結(jié)果估計(jì)可以不要管，參數(shù)優(yōu)化也不要管，另有帖子講解。

下面我們就看看 model這個(gè)結(jié)構(gòu)體里面的各種參數(shù)的意義都是神馬，model如下：

model =?
Parameters: [5x1 double]
nr_class: 2
totalSV: 259
rho: 0.0514
Label: [2x1 double]
ProbA: []
ProbB: []
nSV: [2x1 double]
sv_coef: [259x1 double]
SVs: [259x13 double]

model.Parameters

我們先來看一下model.Parameters里面承裝的都是什么：

>> model.Parameters

ans =

0

2.0000

3.0000

2.8000

0

?

重要知識(shí)點(diǎn)：

model.Parameters參數(shù)意義從上到下依次為：
-s svm類型：SVM設(shè)置類型(默認(rèn)0)
-t 核函數(shù)類型：核函數(shù)設(shè)置類型(默認(rèn)2)
-d degree：核函數(shù)中的degree設(shè)置(針對(duì)多項(xiàng)式核函數(shù))(默認(rèn)3)
-g r(gama)：核函數(shù)中的gamma函數(shù)設(shè)置(針對(duì)多項(xiàng)式/rbf/sigmoid核函數(shù)) (默認(rèn)類別數(shù)目的倒數(shù))
-r coef0：核函數(shù)中的coef0設(shè)置(針對(duì)多項(xiàng)式/sigmoid核函數(shù))((默認(rèn)0)
即在本例中通過model.Parameters我們可以得知 –s 參數(shù)為0；-t 參數(shù)為 2；-d 參數(shù)為3；-g 參數(shù)為2.8（這也是我們自己的輸入）；-r 參數(shù)為0。

關(guān)于libsvm參數(shù)的一點(diǎn)小說明：

Libsvm中參數(shù)設(shè)置可以按照SVM的類型和核函數(shù)所支持的參數(shù)進(jìn)行任意組合，如果設(shè)置的參數(shù)在函數(shù)或SVM類型中沒有也不會(huì)產(chǎn)生影響，程序不會(huì)接受該參數(shù)；如果應(yīng)有的參數(shù)設(shè)置不正確，參數(shù)將采用默認(rèn)值。
model.Label model.nr_class

>> model.Label

ans =

1

-1

>> model.nr_class

ans =

2

?

重要知識(shí)點(diǎn)：

model.Label表示數(shù)據(jù)集中類別的標(biāo)簽都有什么，這里是 1，-1；
model.nr_class表示數(shù)據(jù)集中有多少類別，這里是二分類。

model.totalSVmodel.nSV

>> model.totalSV

ans =

259

>> model.nSV

ans =

118

141

?

重要知識(shí)點(diǎn)：

model.totalSV代表總共的支持向量的數(shù)目，這里共有259個(gè)支持向量；
model.nSV表示每類樣本的支持向量的數(shù)目，這里表示標(biāo)簽為1的樣本的支持向量有118個(gè)，標(biāo)簽為-1的樣本的支持向量為141。
注意：這里model.nSV所代表的順序是和model.Label相對(duì)應(yīng)的。

model.ProbAmodel.ProbB

關(guān)于這兩個(gè)參數(shù)這里不做介紹，使用-b參數(shù)時(shí)才能用到，用于概率估計(jì)。

-bprobability_estimates: whether to train a SVC or SVR model for probabilityestimates, 0 or 1 (default 0)

model.sv_coef model.SVs model.rho

sv_coef: [259x1 double]

SVs: [259x13 double]

model.rho = 0.0514

?

重要知識(shí)點(diǎn)：

model.sv_coef是一個(gè)259*1的矩陣，承裝的是259個(gè)支持向量在決策函數(shù)中的系數(shù)；
model.SVs是一個(gè)259*13的稀疏矩陣，承裝的是259個(gè)支持向量。
model.rho是決策函數(shù)中的常數(shù)項(xiàng)的相反數(shù)（-b）

在這里首先我們看一下 通過 –s 0 參數(shù)（C-SVC模型）得到的最終的分類決策函數(shù)的表達(dá)式是怎樣的？
這里如果有關(guān)于C-SVC模型不懂的地方，請(qǐng)看這個(gè)pdf文件：
libsvm_library.pdf
附件：
最終的決策函數(shù)為：
在由于我們使用的是RBF核函數(shù)（前面參數(shù)設(shè)置 –t 2），故這里的決策函數(shù)即為：
其中|| x-y ||是二范數(shù)距離 ;
這里面的

b就是-model.rho（一個(gè)標(biāo)量數(shù)字）;
b = -model.rho;
n代表支持向量的個(gè)數(shù)即 n = model.totalSV（一個(gè)標(biāo)量數(shù)字）；?
對(duì)于每一個(gè)i：
wi =model.sv_coef(i); 支持向量的系數(shù)（一個(gè)標(biāo)量數(shù)字）
xi = model.SVs(i,:) 支持向量（1*13的行向量）
x 是待預(yù)測(cè)標(biāo)簽的樣本 （1*13的行向量）
gamma 就是 -g 參數(shù)
好的下面我們通過model提供的信息自己建立上面的決策函數(shù)如下：

%% DecisionFunction

function plabel = DecisionFunction(x,model)

?

gamma = model.Parameters(4);

RBF = @(u,v)( exp(-gamma.*sum( (u-v).^2) ) );

?

len = length(model.sv_coef);

y = 0;

?

for i = 1:len

u = model.SVs(i,:);

y = y + model.sv_coef(i)*RBF(u,x);

end

b = -model.rho;

y = y + b;

?

if y >= 0

plabel = 1;

else

plabel = -1;

end

?

有了這個(gè)決策函數(shù)，我們就可以自己預(yù)測(cè)相應(yīng)樣本的標(biāo)簽了：

%%

plable = zeros(270,1);

for i = 1:270

x = data(i,:);

plabel(i,1) = DecisionFunction(x,model);

end

?

%% 驗(yàn)證自己通過決策函數(shù)預(yù)測(cè)的標(biāo)簽和svmpredict給出的標(biāo)簽相同

flag = sum(plabel == PredictLabel)

over = 1;

?

最終可以看到 flag = 270 ，即自己建立的決策函數(shù)是正確的，可以得到和svmpredict得到的一樣的樣本的預(yù)測(cè)標(biāo)簽，事實(shí)上svmpredict底層大體也就是這樣實(shí)現(xiàn)的。
最后我們來看一下，svmpredict得到的返回參數(shù)的意義都是什么
在下面這段代碼中 :

%%

% 首先載入數(shù)據(jù)

load heart_scale;

data = heart_scale_inst;

label = heart_scale_label;

% 建立分類模型

model = svmtrain(label,data,'-s 0 -t 2 -c 1.2 -g 2.8');

model

% 利用建立的模型看其在訓(xùn)練集合上的分類效果

[PredictLabel,accuracy] = svmpredict(label,data,model);

accuracy

?

運(yùn)行可以看到

model =

Parameters: [5x1 double]

nr_class: 2

totalSV: 259

rho: 0.0514

Label: [2x1 double]

ProbA: []

ProbB: []

nSV: [2x1 double]

sv_coef: [259x1 double]

SVs: [259x13 double]

Accuracy = 99.6296% (269/270) (classification)

accuracy =

99.6296

0.0148

0.9851

?

這里面要說一下返回參數(shù)accuracy的三個(gè)參數(shù)的意義。
重要的知識(shí)點(diǎn)：

返回參數(shù)accuracy從上到下依次的意義分別是：
分類準(zhǔn)率（分類問題中用到的參數(shù)指標(biāo)）
平均平方誤差（MSE(mean squared error)） [回歸問題中用到的參數(shù)指標(biāo)]
平方相關(guān)系數(shù)（r2(squared correlation coefficient)）[回歸問題中用到的參數(shù)指標(biāo)]
其中mse 和r2的計(jì)算公式分別為：
插圖：
寫在后面的話，至此關(guān)于model中相應(yīng)參數(shù)的一些意義，以及到底如果得到?jīng)Q策函數(shù)的表達(dá)式或者計(jì)算方式的就算是說的很明了了。
可能還有的同學(xué)會(huì)問，如何得到分類決策函數(shù)中的那個(gè)alpha系數(shù)【這個(gè)肯定會(huì)有人問】，還是再磨嘰說一下吧：
上面的wi其實(shí)是alpha和支持向量的類別標(biāo)簽（1或-1的乘積），原始決策函數(shù)的表達(dá)式如下：
插圖：
上面的yi是支持向量的類別標(biāo)簽（1或者-1），在libsvm中將yi和alpha的乘積放在一起用model.sv_coef（w）來承裝。
都說到這份上，應(yīng)該能明白了嗎？

總結(jié)

以上是生活随笔為你收集整理的libsvm 训练后，模型参数详解的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。