在matlab下测试libsvm工具箱

一、libsvm工具箱的简介

SVM由Vapnik首先提出(Boser，Guyon and Vapnik，1992；Cortes and Vapnik，1995；Vapnik，1995，1998)。
SVM的主要思想是建立一个超平面作为决策曲面,使得正例和反例之间的隔离边缘被最大化。
SVM的优点：
1、通用性(能够在各种函数集中构造函数)
2、鲁棒性(不需要微调)
3、有效性(在解决实际问题中属于最好的方法之一)
4、计算简单(方法的实现只需要利用简单的优化技术)
5、理论上完善(基于VC推广理论的框架)
SVM工具箱:种类很多,公认的最好用的是libsvm by 林智仁[台大] (http://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html)

二、Libsvm-matlab工具箱的安装

1、给matlab指定编译器mex –setup %let you select or change the compiler configuration

2、make将c写的文件转换成matlab相应的接口
make的结果

目的：将libsvm-3.11\matlab 中 libsvmwrite.c 等 C++文件编译成 libsvmread.mexw32 等matlab文件，这样就可以在command window中被直接调用了。

3、注意事项
(1)、安装时需要把libsvm-mat作为当前的工作目录,在后面使用时并将其加为工作目录(setpath…)。


(2)、电脑里需要有相应的编译器，可以用自带的,最好装一个VC。
4、svmtrain函数相关参数说明
%通过训练集来训练模型
svmtrain( … )；

model =
svmtrain(train_label, train_matrix, [‘libsvm_options’])；

-train_label：
An m by 1 vector of training labels (type must be double).
-train_matrix：
An m by n matrix of m training instances with n features.
It can be dense or sparse (type must be double).
-libsvm_options：
A string of training options in the same format as that of LIBSVM.

-libsvm_options:
A string of training options in the same format as that of LIBSVM.
有关libsvm的参数选项:
Options：可用的选项即表示的涵义如下
　　-s svm类型：SVM设置类型(默认0)
　　0 – C-SVC
　　1 –v-SVC
　　2 –一类SVM
　　3 – e -SVR
　　4 – v-SVR
　　-t 核函数类型：核函数设置类型(默认2)
　　0 – 线性：u’v
　　1 – 多项式：(r*u’v + coef0)^degree
　　2 – RBF函数：exp(-r|u-v|^2)
　　3 –sigmoid：tanh(r*u’v + coef0)
　　-d degree：核函数中的degree设置(针对多项式核函数)(默认3)
　　-g r(gama)：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)(默认1/ k)
　　-r coef0：核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)
　　-c cost：设置C-SVC，e -SVR和v-SVR的参数(损失函数)(默认1)
　　-n nu：设置v-SVC，一类SVM和v- SVR的参数(默认0.5)
　　-p p：设置e -SVR 中损失函数p的值(默认0.1)
　　-m cachesize：设置cache内存大小，以MB为单位(默认40)
　　-e eps：设置允许的终止判据(默认0.001)
　　-h shrinking：是否使用启发式，0或1(默认1)
　　-wi weight：设置第几类的参数C为weight?C(C-SVC中的C)(默认1)
　　-v n: n-fold交互检验模式，n为fold的个数，必须大于等于2
其中-g选项中的k是指输入数据中的属性数。option -v 随机地将数据剖分为n部分并计算交互检验准确度和均方根误差。以上这些参数设置可以按照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。
The ‘svmtrain’ function returns a model which can be used for future prediction.
5、svmpredict函数相关参数说明
%对测试集进行预测
svmpredict( … )；

[predicted_label, accuracy, decision_values/prob_estimates]
= svmpredict(test_label, test_matrix, model, [‘libsvm_options’])；

-test_label：
An m by 1 vector of prediction labels. If labels of test
data are unknown, simply use any random values. (type must be double)
-testmatrix：
An m by n matrix of m testing instances with n features.
It can be dense or sparse. (type must be double)
-model：
The output of svmtrain.
-libsvm_options：
A string of testing options in the same format as that of LIBSVM.
decision_values/prob_estimates：回归相关问题中才会涉及到

三、试验结果

[heart_scale_label,heart_scale_inst]=libsvmread(‘heart_scale’);
model = svmtrain(heart_scale_label,heart_scale_inst, ‘-c 1 -g 0.07’);
[predict_label, accuracy, dec_values] =svmpredict(heart_scale_label, heart_scale_inst, model); % test the trainingdata
如果出现一行：Accuracy = 86.6667% (234/270) (classification)。就说明成功了。就可以在matlab中使用svm了。

作者：Jacky_Ponder，转载或分享请注明出处。QQ:2814152689