libsvm 训练后的模型参数讲解

主要就是讲解利用libsvm-mat工具箱建立分类（回归模型）后，得到的模型model里面参数的意义以及如果通过model得到相应模型的表达式，这里主

要以分类问题为例子。

下面我们就看看 model这个结构体里面的各种参数的意义都是神马，model如下：

1 2 3 4 5 6 7 8 9 10 11

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

model.Parameters

我们先来看一下model.Parameters里面承装的都是什么：

>> model.Parameters

ans =

0
2.0000
3.0000
2.8000
0

重要知识点：

model.Parameters参数意义从上到下依次为：

• -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：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0)

即在本例中通过model.Parameters我们可以得知 –s 参数为0；-t 参数为 2；-d 参数为3；-g 参数为2.8（这也是我们自己的输入）；-r 参数为0。

关于libsvm参数的一点小说明：

Libsvm中参数设置可以按照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。

model.Label model.nr_class

>> model.Label

ans =
1
-1
>> model.nr_class
ans =
2

重要知识点：

• model.Label表示数据集中类别的标签都有什么，这里是 1，-1；
• model.nr_class表示数据集中有多少类别，这里是二分类。

model.totalSV model.nSV

>> model.totalSV
ans =
259
>> model.nSV
ans =
118
141

重要知识点：

• model.totalSV代表总共的支持向量的数目，这里共有259个支持向量；
• model.nSV表示每类样本的支持向量的数目，这里表示标签为1的样本的支持向量有118个，标签为-1的样本的支持向量为141。

注意：这里model.nSV所代表的顺序是和model.Label相对应的。

model.ProbA model.ProbB

关于这两个参数这里不做介绍，使用-b参数时才能用到，用于概率估计。

-b probability_estimates: whether to train a SVC or SVR model for probability estimates, 0 or 1 (default 0)
model.sv_coef model.SVs model.rho
sv_coef: [259x1 double]
SVs: [259x13 double]
model.rho = 0.0514

重要知识点：

• model.sv_coef是一个259*1的矩阵，承装的是259个支持向量在决策函数中的系数；
• model.SVs是一个259*13的稀疏矩阵，承装的是259个支持向量。
• model.rho是决策函数中的常数项的相反数（-b）

最终的决策函数为：

在由于我们使用的是RBF核函数（前面参数设置 –t 2），故这里的决策函数即为：

其中|| x-y ||是二范数距离 ;

这里面的

b就是-model.rho（一个标量数字）;

b = -model.rho;

n代表支持向量的个数即 n = model.totalSV（一个标量数字）；

对于每一个i：

wi =model.sv_coef(i); 支持向量的系数（一个标量数字）

xi = model.SVs(i,:) 支持向量（1*13的行向量）

x 是待预测标签的样本 （1*13的行向量）

gamma 就是 -g 参数

好的下面我们通过model提供的信息自己建立上面的决策函数如下： 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

%% DecisionFunction 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

有了这个决策函数，我们就可以自己预测相应样本的标签了：

1 2 3 4 5 6

%% plable = zeros(270,1); for i = 1:270 x = data(i,:); plabel(i,1) = Decision(x,model); end

%% 验证自己通过决策函数预测的标签和svmpredict给出的标签相同

flag = sum(plabel == PredictLabel)

over = 1;

最终可以看到 flag = 270 ，即自己建立的决策函数是正确的，可以得到和svmpredict得到的一样的样本的预测标签，事实上svmpredict底层大体也就是

这样实现的。

这里面要说一下返回参数accuracy的三个参数的意义。

重要的知识点：
返回参数accuracy从上到下依次的意义分别是：

• 分类准率（分类问题中用到的参数指标）
• 平均平方误差（MSE (mean squared error)） [回归问题中用到的参数指标]
• 平方相关系数（r2 (squared correlation coefficient)）[回归问题中用到的参数指标]

转载自：http://blog.sina.com.cn/s/blog_6646924501018fqc.html