1.前言：SVM属于机器学习的一个大类，善于做数据分类和回归。

由于项目的需要，重新学习和整理了SVM在数据分类和回归中的运用：

对于新手，这里不再赘述SVM理论知识，目前有这几篇优秀的SVM理论解释博客，避免重复造轮子，

主要篇幅用于讲解SVM的一个实例，及其在MATLAB环境中调用libSVM的一个例子：

1.机器学习中的算法(2)-支持向量机(SVM)基础 - LeftNotEasy - 博客园】 https://www.cnblogs.com/LeftNotEasy/archive/2011/05/02/basic-of-svm.html

这篇博客讲解SVM原理很是通俗易懂，但是还是有几个点没有补充，比如

2.拉格朗日乘数法中的第三种优化情况KKT，。

.深入理解机器学习中拉格朗日乘子和KKT条件 https://blog.csdn.net/u014675538/article/details/77509342

3.核函数(Kernel Function)与SVM的联系及核函数的来源，作用等 https://blog.csdn.net/bitcarmanlee/article/details/77604484，

这篇博客第5部分视频的连接讲解非常清晰的表达了SVM的分类原理及核函数的作用。

有了以上的理论基础便可以上实例了：

2.SVM分类的一个MATLAB实例

一、实验目的

1．掌握支持向量机（SVM）的原理、核函数类型选择以及核参数选择原则等；

2．熟悉基于libSVM二分类的一般流程与方法；

二、实验内容

1．对“bedroom， forest”两组数据进行分类（二分类）；

2．得到试验分类准确率；

三、实验条件

1．LibSVM软件包，3.17版本；

2． Matlab 2013a。

四、实验方法与流程

(1) 试验流程：

Step1: 根据给定的数据，选定训练集和测试集；

Step2: 为训练集与测试集选定标签集；

Step3: 利用训练集进行训练分类器得到model；

Step4: 根据model，对测试集进行测试集得到accuracyrate；

(2) 实验数据准备：

“bedroom.mat”10*15的矩阵，分别代表了不同的十张有关于bedroom的图片的15维属性；

“forest.mat”10*15矩阵，分别代表了不同的十张有关于forest的图片的15维属性特征；

训练集：trainset(); 分别取bedroom(1:5,:)和forse(1:5,:)作为训练集；

测试集：testset(); 分别取bedroom(6:10,:)和forse(6:10,:)作为测试集；

标签集：label(); 取bedroom的数据为正类标签为1；forse的数据为负类标签为-1.

(3) Matlab程序与实验结果：

数据集下载：

实验数据集说明，这里有关于森林和卧室图片抽取的有15个维度特征的数据集

链接：https://pan.baidu.com/s/1RRdaWgqFW2bjYE72PazNQg
提取码：ocym

目的是：利用LibSVM包将它们进行分类。

以下是实验代码：

clc;clear;
%读入数据
%实验说明，这里有关于森林和卧室图片的15个维度特征的数据集，目的是：利用LibSVM包将它们进行分类
%需要标签数据集
bedroom_=load('bedroom.mat');
forest_=load('forest.mat');
labelset_=load('labelset.mat');
label_=[ones(10,1);zeros(10,1)];
% 训练集：trainset(); 分别取bedroom(1:5,:)和forse(1:5,:)作为训练集；
% 测试集：testset();  分别取bedroom(6:10,:)和forse(6:10,:)作为测试集； 
% 标签集：label(); 取bedroom的数据为正类标签为1；forse的数据为负类标签为-1.
%组成训练集
P_train=[bedroom_.bedroom(1:5,:);forest_.MITforest(1:5,:)];
P_label=[label_(1:5);label_(11:15)];
T_test=[bedroom_.bedroom(6:10,:);forest_.MITforest(6:10,:)];
T_label=[label_(6:10);label_(16:20)];
%数据预处理，归一化
[mtrain ntrain]=size(P_train);
[mtest ntest]=size(T_test);
dataset=[P_train;T_test];
[dataset_scale ps]=mapminmax(dataset',0,1);
dataset_scale = dataset_scale';
train_set = dataset_scale(1:mtrain,:);
test_set = dataset_scale((mtrain+1):(mtrain+mtest),:);
% SVM 怎样能得到好的结果
% 1. 对数据做归一化（simple scaling）
% 2. 应用 RBF kernel
% 3. 用cross-validation和grid-search 得到最优的c和g
% 4. 用得到的最优c和g训练训练数据 
% 5. 测试
%SVM训练
%SVM训练函数的参数意义
% 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)
% model=svmtrain(P_label,train_set,'-s 2 -c 1 -g 0.07');%-s参数选2结果不对
model = svmtrain(P_label,train_set, '-s 1 -c 1 -g 0.07');%-s参数可选0或1
%SVM网络预测
[result_label]=svmpredict(T_label,test_set,model);
%% 结果分析
% 测试集的实际分类和预测分类图
% 通过图可以看出只有一个测试样本是被错分的
figure;
hold on;
plot(T_label,'bo');
plot(result_label,'r*');
xlabel('测试集样本','FontSize',12);
ylabel('类别标签','FontSize',12);
legend('实际测试集分类','预测测试集分类');
title('测试集的实际分类和预测分类图','FontSize',12);
grid on;

其结果为：可以看出结果比较理想。

3.MATLAB中如何调用libSVM317安装包

安装包下载，其支持C++，Python，matlab,java等多种语言，非常好用

https://download.csdn.net/download/weixin_40405758/10745018

libsvm是由台湾大学林智仁(Lin Chih-Jen)教授开发的一款简单易用、快速有效的SVM模式识别与回归的软件包。这套库运算速度还是挺快的，可以很方便的对数据做分类或回归。由于libSVM程序小，运用灵活，输入参数少，并且是开源的，易于扩展，因此成为目前国内应用最多的SVM的库。
libsvm不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；libsvm对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数可以解决很多问题；并提供了交互检验(Cross Validation)的功能，可以解决C-SVM、ν-SVM、ε-SVR和ν-SVR等问题，包括基于一对一算法的多类模式识别问题。

libsvm软件包介绍

下载软件压缩包，解压，可以看到libsvm可分为6个文件夹和一些c++源码文件，其详细说明如下：
1、Java——主要是应用于java平台；
2、Python——是用来参数优选的工具，稍后介绍；
3、svm-toy——一个可视化的工具，用来展示训练数据和分类界面，里面是源码，其编译后的程序在windows文件夹下；
4、tools——主要包含四个python文件，用来数据集抽样(subset)，参数优选（grid），集成测试(easy),数据检查(checkdata)；
5、windows——包含libSVM四个exe程序包，我们所用的库就是他们，里面还有个heart_scale，是一个样本文件，可以用记事本打开，用来测试用的。