libsvm 使用参数的基础知识笔记（1）

Parameters: [5x1 double]  %结构体变量，依次保存的是 -s -t -d -g -r等参数
      nr_class: 4    %分类的个数   
       totalSV: 39    %总的支持向量个数
           rho: [6x1 double]   %b=-model.rho
         Label: [4x1 double]
         ProbA: []
         ProbB: []
           nSV: [4x1 double]  %每一类的支持向量的个数
       sv_coef: [39x3 double] %支持向量的系数
           SVs: [39x12 double] %具体的支持向量，以稀疏矩阵的形式存储
    
    w*x+b=0 其中
    w=model.SVs'*model.sv_coef
        b=-model.rho

       w是高维空间中分类 超平面的法向量，b是常数项。

svmtrain训练函数，训练数据产生模型的

一般直接使用为：model=svmtrain(label,data,cmd); label为标签，data为训练数据（数据有讲究，每一行为一个样本的所有数据，列数代表的是样本的个数），每一个样本都要对应一个标签（分类问题的话一般为二分类问题，也就是每一个样本对应一个标签）。 
cmd为相应的命令集合，都有哪些命令呢？很多，-v，-t,-g,-c,等等，不同的参数代表的含义不同， 
比如对于分类问题，这里-t就表示选择的核函数类型，-t=0时线性核。-t=1多项式核，-t=2，径向基函数（高斯），-t=3，sigmod核函数，新版出了个-t=4，预计算核（还不会用）； 
-g为核函数的参数系数，-c为惩罚因子系数，-v为交叉验证的数，默认为5，这个参数在svmtrain写出来使用与不写出来不使用的时候，model出来的东西不一样，不写的时候，model为一个结构体，是一个模型，可以带到svmpredict中直接使用，写出来的时候，出来的是一个训练模型的准确率，为一个数值。

用法: svmtrain [options] training_set_file [model_file]
 
其中, options为操作参数, 可用的选项即表示的涵义如下所示:
 
-s 设置svm类型:
 
 0 – C-SVC
 
 1 – v-SVC
 
 2 – one-class-SVM
 
 3 – ε-SVR
 
 4 – n – SVR
 
-t 设置核函数类型, 默认值为2
 
0 — 线性核: μ‘∗ν
 
1 — 多项式核:    (γ∗μ‘∗ν+coef0)degree
 
2 — RBF核: exp(–γ∗∥μ−ν∥2)
 
3 — sigmoid 核: tanh(γ∗μ‘∗ν+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;
 
-b 概率估计: 是否计算SVC或SVR的概率估计, 可选值0或1, 默认0;
 
model_file: 可选项, 为要保存的结果文件, 称为模型文件, 以便在预测时使用.

参考

 SVM参数设置及各种参数意义_Aimer_Chen的博客-CSDN博客_svm参数说明