對(duì)svmtrain函數(shù)的輸入?yún)?shù)和返回值進(jìn)行說(shuō)明

1. 訓(xùn)練

libsvm函數(shù)用于對(duì)訓(xùn)練集的數(shù)據(jù)進(jìn)行訓(xùn)練，得到訓(xùn)練好的模型。

model = libsvmtrain(training_label_vector, training_instance_matrix ['libsvm_options']);

這個(gè)函數(shù)有三個(gè)參數(shù)，其中

-training_label_vector:訓(xùn)練樣本的類標(biāo)，如果有m個(gè)樣本，就是m x 1的矩陣（類型必須為double）。這里可以是二分類和多分類，類標(biāo)是（-1,1）、（1,2,3）或者其他任意用來(lái)表示不同的類別的數(shù)字，要轉(zhuǎn)成double類型。
-training_instance_matrix:訓(xùn)練樣本的特征，如果有m個(gè)樣本，每個(gè)樣本特征是n維，則為m x n的矩陣（類型必須為double）。當(dāng)使用precomputed核時(shí)，[training_instance_matrix]由兩部分組成，第一列為長(zhǎng)度m，從1-m的序號(hào)，第二列之后是訓(xùn)練樣本核。例如：

model = svmtrain(trainlabel, ... #訓(xùn)練樣本的標(biāo)簽[(1 : size(trainfeat, 1))', trainfeat], ... #訓(xùn)練樣本'-t 4 -q'); #參數(shù)

-libsvm_options:訓(xùn)練的參數(shù)，在第3點(diǎn)詳細(xì)介紹。

2. 預(yù)測(cè)

libpredict函數(shù)用于對(duì)測(cè)試集的數(shù)據(jù)進(jìn)行測(cè)試，還能對(duì)未知樣本進(jìn)行預(yù)測(cè)。

[predicted_label, accuracy, decision_values/prob_estimates] = libsvmpredict(testing_label_vector, testing_instance_matrix, model ['libsvm_options']);

這個(gè)函數(shù)包括四個(gè)參數(shù)，其中

-testing_label_vector:測(cè)試樣本的類標(biāo)，如果有m個(gè)樣本，就是m x 1的矩陣（類型必須為double）。如果類標(biāo)未知，可以初始化為任意m x 1的double數(shù)組。
-testing_instance_matrix:測(cè)試樣本的特征，如果有m個(gè)樣本，每個(gè)樣本特征是n維，則為m x n的矩陣（類型必須為double）。
-model:使用libsvmtrain返回的模型
-libsvm_options:預(yù)測(cè)的參數(shù)，與訓(xùn)練的參數(shù)形式一樣。

3. 訓(xùn)練的參數(shù)

LIBSVM訓(xùn)練時(shí)可以選擇的參數(shù)很多，包括：

-s svm類型：SVM設(shè)置類型（默認(rèn)0)0 — C-SVC； 1 –v-SVC； 2 – 一類SVM； 3 — e-SVR； 4 — v-SVR -t 核函數(shù)類型：核函數(shù)設(shè)置類型（默認(rèn)2）0 – 線性核函數(shù)：u’v 1 – 多項(xiàng)式核函數(shù)：（r*u’v + coef0)^degree2 – RBF(徑向基)核函數(shù)：exp(-r|u-v|^2）3 – sigmoid核函數(shù)：tanh(r*u’v + coef0) -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(gamma）：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)1/k，k為總類別數(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) -c cost：設(shè)置C-SVC，e -SVR和v-SVR的參數(shù)（損失函數(shù)）（默認(rèn)1） -n nu：設(shè)置v-SVC，一類SVM和v- SVR的參數(shù)（默認(rèn)0.5） -p p：設(shè)置e -SVR 中損失函數(shù)p的值（默認(rèn)0.1） -m cachesize：設(shè)置cache內(nèi)存大小，以MB為單位（默認(rèn)40） -e eps：設(shè)置允許的終止判據(jù)（默認(rèn)0.001） -h shrinking：是否使用啟發(fā)式，0或1（默認(rèn)1） -wi weight：設(shè)置第幾類的參數(shù)C為weight*C (C-SVC中的C) （默認(rèn)1） -v n: n-fold交互檢驗(yàn)?zāi)Ｊ?#xff0c;n為fold的個(gè)數(shù)，必須大于等于2

以上這些參數(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(méi)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。

4. 訓(xùn)練返回的內(nèi)容

libsvmtrain函數(shù)返回訓(xùn)練好的SVM分類器模型，可以用來(lái)對(duì)未知的樣本進(jìn)行預(yù)測(cè)。這個(gè)模型是一個(gè)結(jié)構(gòu)體，包含以下成員：

-Parameters: 一個(gè)5 x 1的矩陣，從上到下依次表示： 　　　　-s SVM類型（默認(rèn)0）； 　　　　-t 核函數(shù)類型（默認(rèn)2） 　　　　-d 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 核函數(shù)中的r(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 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) -nr_class: 表示數(shù)據(jù)集中有多少類別，比如二分類時(shí)這個(gè)值即為2。 -totalSV: 表示支持向量的總數(shù)。 -rho: 決策函數(shù)wx+b中的常數(shù)項(xiàng)的相反數(shù)（-b）。 -Label: 表示數(shù)據(jù)集中類別的標(biāo)簽，比如二分類常見(jiàn)的1和-1。 -ProbA: 使用-b參數(shù)時(shí)用于概率估計(jì)的數(shù)值，否則為空。 -ProbB: 使用-b參數(shù)時(shí)用于概率估計(jì)的數(shù)值，否則為空。 -nSV: 表示每類樣本的支持向量的數(shù)目，和Label的類別標(biāo)簽對(duì)應(yīng)。如Label=[1; -1],nSV=[63; 67]，則標(biāo)簽為1的樣本有63個(gè)支持向量，標(biāo)簽為-1的有67個(gè)。 -sv_coef: 表示每個(gè)支持向量在決策函數(shù)中的系數(shù)。 -SVs: 表示所有的支持向量，如果特征是n維的，支持向量一共有m個(gè)，則為m x n的稀疏矩陣。

另外，如果在訓(xùn)練中使用了-v參數(shù)進(jìn)行交叉驗(yàn)證時(shí)，返回的不是一個(gè)模型，而是交叉驗(yàn)證的分類的正確率或者回歸的均方根誤差。

5. 預(yù)測(cè)返回的內(nèi)容

libsvmtrain函數(shù)有三個(gè)返回值，不需要的值在Matlab可以用~進(jìn)行代替。

-predicted_label：第一個(gè)返回值，表示樣本的預(yù)測(cè)類標(biāo)號(hào)。
-accuracy：第二個(gè)返回值，一個(gè)3 x 1的數(shù)組，表示分類的正確率、回歸的均方根誤差、回歸的平方相關(guān)系數(shù)。注意：當(dāng)使用預(yù)訓(xùn)練核時(shí)，并不能取accuracy(1,1)作為分類結(jié)果，應(yīng)該取：mean(predicted_label==testlabel)
-decision_values/prob_estimates：第三個(gè)返回值，一個(gè)矩陣包含決策的值或者概率估計(jì)。對(duì)于n個(gè)預(yù)測(cè)樣本、k類的問(wèn)題，如果指定“-b 1”參數(shù)，則n x k的矩陣，每一行表示這個(gè)樣本分別屬于每一個(gè)類別的概率；如果沒(méi)有指定“-b 1”參數(shù)，則為n x k*(k-1)/2的矩陣，每一行表示k(k-1)/2個(gè)二分類SVM的預(yù)測(cè)結(jié)果。

總結(jié)

以上是生活随笔為你收集整理的libsvm中svmtrain的参数和返回值的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)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。