LIBSVM参数实例详解

LIBSVM工具箱的主要函数为 svmtrain 和 svmpredict ,其调用格式为：

model = svmtrain(train_label,train_data,options);<br>
[predict_label,accuracy/mse,dec_value] = svmpredict(test_label,test_data,model);

2.2 options 参数

options的参数设置可以按照 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。主要有：

-s svm类型：SVM模型设置类型（默认值为0）
    0：C - SVC
    1:nu - SVC
    2：one - class SVM
    3: epsilon - SVR
    4: nu - SVR
- t 核函数类型：核函数设置类型（默认值为2）
    0:线性核函数 u'v
    1:多项式核函数(r *u'v + coef0)^degree
    2:RBF 核函数 exp( -r|u - v|^2)
    3:sigmiod核函数 tanh(r * u'v + coef0)
- d degree:核函数中的 degree 参数设置（针对多项式核函数，默认值为3）
- g r(gama):核函数中的gama参数设置（针对多项式/sigmoid 核函数/RBF/，默认值为属性数目的倒数）
- r coef0:核函数中的coef0参数设置(针对多项式/sigmoid核函数，默认值为0)
- c cost:设置 C - SVC,epsilon - SVR 和 nu - SVR的参数（默认值为1）
- n nu:设置 nu-SVC ，one - class SVM 和 nu - SVR的参数
- p epsilon:设置 epsilon - SVR 中损失函数的值（默认值为0.1）
- m cachesize:设置 cache 内存大小，以 MB 为单位（默认值为100）
- e eps:设置允许的终止阈值（默认值为0.001）
- h shrinking：是否使用启发式，0或1（默认值为1）
- wi weight:设置第几类的参数 C 为 weight * C（对于 C - SVC 中的 C，默认值为1）
- v n:n - fold 交互检验模式，n为折数，必须大于等于2

2.3 分类模型 model 解析

测试数据使用 LIBSVM 工具箱自带的 heart_scale.mat 数据（共计270个样本，每个样本有13个属性）。测试代码如下：

clear;
clc;
close all;
 
% 首先载入数据
load heart_scale;
data = heart_scale_inst;
label = heart_scale_label;
% 建立分类模型
model = svmtrain(label,data,'-s 0 -t 2 -c 1.2 -g 2.8');
% 利用建立的模型看其在训练集合上的分类效果
[PredictLabel, accuracy, dec_values] = svmpredict(label,data, model);<br>accuracy<br><br>% 分类模型model解密<br>model<br>Parameters = model.Parameters<br>Label = model.Label<br>nr_class = model.nr_class<br>totalSV = model.totalSV<br>nSV = model.nSV

1）svmtrain 的输出 model：

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

2） model.Paramenters %参数表

Parameters =
         0
    2.0000
    3.0000
    2.8000
         0

2. model.Paraments 参数意义从上到下依次为

-s svm类型：SVM模型设置类型（默认值为0）
 
- t 核函数类型：核函数设置类型（默认值为2）
 
- d degree:核函数中的 degree 参数设置（针对多项式核函数，默认值为3）
 
- g r(gama):核函数中的gama参数设置（针对多项式/sigmoid 核函数/RBF/，默认值为属性数目的倒数）
 
- r coef0:核函数中的coef0参数设置(针对多项式/sigmoid核函数，默认值为0)

3. model.Label model.nr_class

model.label 表示数据集中类别的标签都有什么

model.nr_class 表示数据集职工有多少个类别

4）model.totalSV model.nSV

model.total SV 代表总共的支持向量机的数目，这里一共259个。

model.nSV 代表每类样本的支持向量的数目，model.nSV 所代表的顺序是和 model.label 相对应。 标签为1的样本118个，标签为-1的样本 141 个。

5）model.sv_coef model.SVs model.rho

sv_coef: [259x1 double]
    SVs: [259x13 double]<br>  model.rho = 0.0514

sv_coef，承装的是259个支持向量在决策函数中的系数；

model.SVs 承装的是259个支持向量；

model.rho = 0.0514 是决策函数中的常数项的相反数。

6） accuracy

返回参数accuracy 从上到下的意义依次是：

分类准确率，分类问题中用到的参数指标；

平均平方误差（ mean squared error,MSE），回归问题中用到的参数指标；

平方相关系数（ squared correlation coefficient ，r2），回归问题中用到的参数指标

3. 决策函数

3.1 理论分析

3.2 代码实现

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