對svmtrain函數的輸入參數和返回值進行說明

1. 訓練

libsvm函數用于對訓練集的數據進行訓練，得到訓練好的模型。

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

這個函數有三個參數，其中

-training_label_vector:訓練樣本的類標，如果有m個樣本，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，類標是（-1,1）、（1,2,3）或者其他任意用來表示不同的類別的數字，要轉成double類型。
-training_instance_matrix:訓練樣本的特征，如果有m個樣本，每個樣本特征是n維，則為m x n的矩陣（類型必須為double）。當使用precomputed核時，[training_instance_matrix]由兩部分組成，第一列為長度m，從1-m的序號，第二列之后是訓練樣本核。例如：

model = svmtrain(trainlabel, ... #訓練樣本的標簽[(1 : size(trainfeat, 1))', trainfeat], ... #訓練樣本'-t 4 -q'); #參數

-libsvm_options:訓練的參數，在第3點詳細介紹。

2. 預測

libpredict函數用于對測試集的數據進行測試，還能對未知樣本進行預測。

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

這個函數包括四個參數，其中

-testing_label_vector:測試樣本的類標，如果有m個樣本，就是m x 1的矩陣（類型必須為double）。如果類標未知，可以初始化為任意m x 1的double數組。
-testing_instance_matrix:測試樣本的特征，如果有m個樣本，每個樣本特征是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:預測的參數，與訓練的參數形式一樣。

3. 訓練的參數

LIBSVM訓練時可以選擇的參數很多，包括：

-s svm類型：SVM設置類型（默認0)0 — C-SVC； 1 –v-SVC； 2 – 一類SVM； 3 — e-SVR； 4 — v-SVR -t 核函數類型：核函數設置類型（默認2）0 – 線性核函數：u’v 1 – 多項式核函數：（r*u’v + coef0)^degree2 – RBF(徑向基)核函數：exp(-r|u-v|^2）3 – sigmoid核函數：tanh(r*u’v + coef0) -d degree：核函數中的degree設置（針對多項式核函數）（默認3） -g r(gamma）：核函數中的gamma函數設置（針對多項式/rbf/sigmoid核函數）（默認1/k，k為總類別數) -r coef0：核函數中的coef0設置（針對多項式/sigmoid核函數）（（默認0) -c cost：設置C-SVC，e -SVR和v-SVR的參數（損失函數）（默認1） -n nu：設置v-SVC，一類SVM和v- SVR的參數（默認0.5） -p p：設置e -SVR 中損失函數p的值（默認0.1） -m cachesize：設置cache內存大小，以MB為單位（默認40） -e eps：設置允許的終止判據（默認0.001） -h shrinking：是否使用啟發式，0或1（默認1） -wi weight：設置第幾類的參數C為weight*C (C-SVC中的C) （默認1） -v n: n-fold交互檢驗模式，n為fold的個數，必須大于等于2

以上這些參數設置可以按照SVM的類型和核函數所支持的參數進行任意組合，如果設置的參數在函數或SVM類型中沒有也不會產生影響，程序不會接受該參數；如果應有的參數設置不正確，參數將采用默認值。

4. 訓練返回的內容

libsvmtrain函數返回訓練好的SVM分類器模型，可以用來對未知的樣本進行預測。這個模型是一個結構體，包含以下成員：

-Parameters: 一個5 x 1的矩陣，從上到下依次表示： 　　　　-s SVM類型（默認0）； 　　　　-t 核函數類型（默認2） 　　　　-d 核函數中的degree設置(針對多項式核函數)(默認3)； 　　　　-g 核函數中的r(gamma）函數設置(針對多項式/rbf/sigmoid核函數) (默認類別數目的倒數)； 　　　　-r 核函數中的coef0設置(針對多項式/sigmoid核函數)((默認0) -nr_class: 表示數據集中有多少類別，比如二分類時這個值即為2。 -totalSV: 表示支持向量的總數。 -rho: 決策函數wx+b中的常數項的相反數（-b）。 -Label: 表示數據集中類別的標簽，比如二分類常見的1和-1。 -ProbA: 使用-b參數時用于概率估計的數值，否則為空。 -ProbB: 使用-b參數時用于概率估計的數值，否則為空。 -nSV: 表示每類樣本的支持向量的數目，和Label的類別標簽對應。如Label=[1; -1],nSV=[63; 67]，則標簽為1的樣本有63個支持向量，標簽為-1的有67個。 -sv_coef: 表示每個支持向量在決策函數中的系數。 -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，則為m x n的稀疏矩陣。

另外，如果在訓練中使用了-v參數進行交叉驗證時，返回的不是一個模型，而是交叉驗證的分類的正確率或者回歸的均方根誤差。

5. 預測返回的內容

libsvmtrain函數有三個返回值，不需要的值在Matlab可以用~進行代替。

-predicted_label：第一個返回值，表示樣本的預測類標號。
-accuracy：第二個返回值，一個3 x 1的數組，表示分類的正確率、回歸的均方根誤差、回歸的平方相關系數。注意：當使用預訓練核時，并不能取accuracy(1,1)作為分類結果，應該取：mean(predicted_label==testlabel)
-decision_values/prob_estimates：第三個返回值，一個矩陣包含決策的值或者概率估計。對于n個預測樣本、k類的問題，如果指定“-b 1”參數，則n x k的矩陣，每一行表示這個樣本分別屬于每一個類別的概率；如果沒有指定“-b 1”參數，則為n x k*(k-1)/2的矩陣，每一行表示k(k-1)/2個二分類SVM的預測結果。

總結

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內容，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站內容還不錯，歡迎將生活随笔推薦給好友。