libsvm实现分类与回归（附参数详细说明、程序、数据集）
libsvmtrain以及libsvmpredict的相关参数说明
(1)model= svmtrain(train_label, train_matrix, ['libsvm_options']);
% train_label表示训练集的标签。
% train_matrix表示训练集的属性矩阵。
% libsvm_options是需要设置的一系列参数。
% model:是训练得到的模型，是一个结构体（如果参数中用到-v，得到的就不是结构体，对于分类问题，得到的是交叉检验下的平均分类准确率；对于回归问题，得到的是均方误差）。
(2)[predicted_label, accuracy/mse,decision_values/prob_estimates]=svmpredict(test_label, test_matrix, model, ['libsvm_options']);
% test _label表示测试集的标签（可以没有）。
% test _matrix表示测试集的属性矩阵。
% model 是上面训练得到的模型。
% libsvm_options是需要设置的一系列参数。
% predicted_label表示预测得到的标签。
% accuracy/mse是一个3*1的列向量，其中第1个数字用于分类问题，表示分类准确率；后两个数字用于回归问题，第2个数字表示mse；第三个数字表示平方相关系数。
% decision_values/prob_estimates：第三个返回值，一个矩阵包含决策的值或者概率估计。
% 对于n个预测样本、k类的问题，如果指定“-b 1”参数，则n x k的矩阵，每一行表示这个样本分别属于每一个类别的概率；如果没有指定“-b 1”参数，则为n x k*(k-1)/2的矩阵，每一行表示k(k-1)/2个二分类SVM的预测结果。
%训练参数的选择
% -s svm_type : set type of SVM (default 0)
% 0-- C-SVC(multi-class classification)%多分类问题
% 1-- nu-SVC(multi-class classification)%多分类问题
% 2-- one-class SVM
% 3-- epsilon-SVR(regression)%回归问题
% 4-- nu-SVR(regression)%回归问题
% %前3类为分类问题，后2类为回归问题
% -t kernel_type : set type of kernel function (default 2)%核函数设置类型（默认2）
% 0-- linear: u'*v%线性核函数
% 1-- polynomial: (gamma*u'*v + coef0)^degree%多项式核函数
% 2-- radial basis function: exp(-gamma*|u-v|^2)%RBF(径向基)核函数
% 3-- sigmoid: tanh(gamma*u'*v + coef0)%sigmoid核函数
% 4 -- precomputed kernel (kernel values in training_set_file)%预计算内核（training_set_文件中的内核值）
% -d degree : set degree in kernel function (default 3)%核函数中的degree设置（针对多项式核函数）
% -g gamma : set gamma in kernel function (default 1/num_features)%核函数中的gamma函数设置，针对多项式/rbf/sigmoid核函数（默认为1/看，k为总类别）
% -r coef0 : set coef0 in kernel function (default 0)%核函数中的coef0设置（针对多项式和sigmoid函数）
% -c cost : set the parameter C of C-SVC, epsilon-SVR, and nu-SVR (default 1)%设置C-SVC，e -SVR和v-SVR的参数（损失函数）（默认1）
% -n nu : set the parameter nu of nu-SVC, one-class SVM, and nu-SVR (default 0.5)%设置v-SVC，one-class SVM和v- SVR的参数（默认0.5）
% -p epsilon : set the epsilon in loss function of epsilon-SVR (default 0.1)%设置e -SVR 中损失函数p的值（默认0.1）
% -m cachesize : set cache memory size in MB (default 100)%设置cache内存大小，以MB为单位（默认100）
% -e epsilon : set tolerance of termination criterion (default 0.001)%设置允许的终止判据（默认0.001）
% -h shrinking: whether to use the shrinking heuristics, 0 or 1 (default 1)%是否使用启发式，0或1（默认1）
% -b probability_estimates: whether to train a SVC or SVR model for probability estimates, 0 or 1 (default 0)%是否训练SVC或SVR模型进行概率估计
% -wi weight: set the parameter C of class i to weight*C, for C-SVC (default 1)%设置第几类的参数C为weight*C (C-SVC中的C) （默认1）
% -v n: n-fold cross validation mode%n-fold交互检验模式，n为fold的个数，必须大于等于2【随机将数据拆分为n个部分并计算交叉验证精度/它们的均方误差】
% -q : quiet mode (no outputs) %停止模式（没有输出）
%model参数
%model.Parameters参数意义：
% -s svm类型：SVM设置类型（默认0）
% -t 核函数类型：核函数设置类型（默认2）
% -d degree：和函数中的degree设置（针对多项式核函数）（默认3）
% -g gama：核函数中的gamma函数设置（针对多项式/rbf/sigmoid核函数）（默认类别数目的倒数）
% -r coef0：核函数中的coef0设置（针对多项式/sigmoid核函数）（默认为0）
% model.Label：表示数据集中类别的标签
% model.nr_class：表示数据集中有多少标签
% model.totalSV：代表总共的支持向量机的数目
% model.nSV：表示每类样本的支持向量的数目
% model.ProbA,model.ProbB：
% model.sv_coef：表示支持向量在决策函数中的系数
% model.SVs：表示支持向量
% model.rho：表示决策函数中的常数项的相反数（-b）
% model.sv_indices：表示支持向量在数据集中的位置
%分类命令行输出参数：
% iter：迭代次数
% nu: 与前面的操作参数-n nu 相同
% obj:为SVM问题转换为的二次规划求解得到的最小值
% rho:表示决策函数中的常数项的相反数（-b）
% nSV:标准支持向量个数,就是在分类的边界上，松弛变量等于0，拉格朗日系数 0=svm回归的例程：训练函数为传递函数（MATLAB实现）
安装libsvm-3.23详细配置文档说明参考博客：https://www.cnblogs.com/Ran-Chen/p/9462825.html
close all;
clear;
clc;
load hahasvmtrain.mat;
model = libsvmtrain(z,t','-s 4 -t 2 -c 5 -g 2.8 -p 0.006');
% 利用建立的模型看其在训练集合上的回归效果
[py,accuracy,decision_values] =libsvmpredict(z,t',model);
figure(1)
plot(t,z','r--','linewidth',3);
hold on
plot(t,py','b-','linewidth',1);
title('支持向量机辨识')
xlabel('系统输入')
ylabel('系统输出')
legend('原始函数输出','支持向量机辨识测试输出')
figure(2)
plot(t,z'-py')
title('误差曲线')
xlabel('系统输入')
ylabel('误差值')
svm分类的例程：实现0-9数字图片识别（使用的训练集为mnist）
clear;
clc;
load('mnist_train.mat');
mnist_train=double(mnist_train/256);
load('mnist_train_labels.mat');
mnist_train_labels=double(mnist_train_labels);
load('mnist_test.mat');
mnist_test=double(mnist_test/256);
load('mnist_test_labels.mat');
mnist_test_labels=double(mnist_test_labels);
model = libsvmtrain(mnist_train_labels,mnist_train , '-c 1 -g 0.01');
[predict_label, accuracy, dec_values] = libsvmpredict(mnist_test_labels, mnist_test, model);
数据集以及libsvm3.23软件压缩包自行提取，失效联系我！！！！
链接：https://pan.baidu.com/s/1dKoWlOPrhRjTJyjYaNAV_w
提取码：mu5j
复制这段内容后打开百度网盘手机App，操作更方便哦