libsvm 参数说明
作为机器学习很强大的一个分类器之一，研究一下如何使用。
libsvm 软件包简介
libsvm工具箱是台湾大学林智仁（C.JLin）等人开发的一套简单的、易于使用的SVM模式识别与回归机软件包，该软件包利用收敛性证明的成果改进算法，取得了很好的结果。
libsvm 共实现了5种类型的SVM:C-SVC，u-SVC，One Class-SVC，e-SVR和u-SVR等。下面将详细介绍libsvm软件包中主要函数的调用格式及注意事项。
SVM 训练函数：svmtrain
model = svmtrain(train_label, train_matrix, ['libsvm_options']);输入：
- train_label：训练集的标签
- train_matrix：训练集的属性
- libsvm_options：一些选项参数
输出：
- model：训练得到的分类模型
值得一提的是，与BP神经网络及RBF神经网络不同，train_label及train_matrix为列向量（矩阵），每行对应一个训练样本。
SVM 预测函数：svmpredict
[predict_label, accurary]=svmpredict(test_label, test_matrix, model);输入：
- test_label：测试集的标签
- test_matrix：测试集的属性
- model：由svmtrain得到的分类模型
- libsvm_options：一些选项参数
输出：
- predicted_label：预测得到的测试集的标签
- accuracy：分类准确率
需要说明的是，若测试集样本对应的类别标签 test_label未知，为了符合函数svmpredict 调用格式的要求，随机填写即可，在这种情况下，accuracy便没有具体的意义了，只需关注预测的类别标签 predict_label 即可。
svmtrain 参数简介
| ‘-s’ SVM 类型 | SVM 模型类型（默认0） |
|---|---|
| -0 | c-SVC（多类别分类） |
| -1 | nu-SVC（多类别分类） |
| -2 | one-class SVM （分类） |
| -3 | epsilon-SVR（回归） |
| -4 | v-SVR（回归） |
| ‘-t’ 核函数类型 | 核函数设置类型（默认2） |
|---|---|
| -0 | 线性核函数： u’*v |
| -1 | 多项式核函数 : (gamma*u’*v + coef0)^degree |
| -2 | RBF核函数 : exp(-gamma*|u-v|^2) |
| -3 | sigmoid核函数 : tanh(gamma*u’*v + coef0) |
| -4 | 自定义核函数 （指定核矩阵） |
| 其他参数简介 | |
|---|---|
| -d degree | 核函数中的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1/num_features，即属性数目的倒数） |
| -r coef0 | 核函数中的coef0设置（针对多项式/sigmoid核函数）（默认0） |
| -c cost | 设置C-SVC，epsilon-SVR的参数（损失函数）（默认1） |
| -p epsilon | 设置epsilon-SVR中损失函数epsilon的值（默认0.1） |
| -n nu | 设置nu-SVC，one-class SVM和nu-SVR的参数（默认0.5） |
| -m cachesize | 设置cache内存大小，以MB为单位（默认100） |
| -e epsilon | 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） |
| -b probability_estimates | 是否为概率估计训练一个SVC或SVR模型，0还是1(默认为0) |
| -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 |
| -q | 安静模式(输出) |
-s svm模型类型设置参数介绍和关联参数
| -s 参数（默认0） | 关联参数 |
|---|---|
| 0 – C-SVC | -c（默认1） |
| 1 – nu-SVC | -n（默认0.5） |
| 2 – one-class SVM | -n（默认0.5） |
| 3 – epsilon-SVR | -c（默认1）、-p（默认0.1） |
| 4 – nu-SVR | -c（默认1）、-n（默认0.5） |