libsvm的opition.docVIP

libsvm在训练model的时候，有如下参数要设置，当然有默认的参数，但是在具体应用方面效果会大大折扣。 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：uv　　1 – 多项式：(r*uv + coef0)^degree　　2 – RBF函数：exp(-gamma|u-v|^2)　　3 –sigmoid：tanh(r*uv + 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 当构建完成model后，还要为上述参数选择合适的值，方法主要有Gridsearch,其他的感觉不常用，Gridsearch说白了就是穷举。 网格参数寻优函数(分类问题):SVMcgForClass[bestCVaccuracy,bestc,bestg]= SVMcgForClass(train_label,train,cmin,cmax,gmin,gmax,v,cstep,gstep,accstep)输入：train_label:训练集的标签，格式要求与svmtrain相同。train:训练集，格式要求与svmtrain相同。cmin,cmax:惩罚参数c的变化范围，即在[2^cmin,2^cmax]范围内寻找最佳的参数c，默认值为cmin=-8，cmax=8，即默认惩罚参数c的范围是[2^(-8),2^8]。gmin,gmax:RBF核参数g的变化范围，即在[2^gmin,2^gmax]范围内寻找最佳的RBF核参数g，默认值为gmin=-8，gmax=8，即默认RBF核参数g的范围是[2^(-8),2^8]。v:进行Cross Validation过程中的参数，即对训练集进行v-fold Cross Validation，默认为3，即默认进行3折CV过程。cstep,gstep:进行参数寻优是c和g的步进大小，即c的取值为2^cmin,2^(cmin+cstep),…,2^cmax,，g的取值为2^gmin,2^(gmin+gstep),…,2^gmax，默认取值为cstep=1,gstep=1。accstep:最后参数选择结果图中准确率离散化显示的步进间隔大小（[0,100]之间的一个数），默认为4.5。输出：bestCVaccuracy:最终CV意义下的最佳分类准确率。bestc:最佳的参数c。bestg:最佳的参数g。 网格参数寻优函数(回归问题):SVMcgForRegress[bestCVmse,bestc,bestg]= SVMcgForRegress(train_label,train,cmin,cmax,gmin,gmax,v,cstep,gstep,msestep)其输入输出与SVMcgForClass类似，这里不再赘述。 而当你训练完了model，在用它做classification或regression之前，应该知道model中的内容，以及其含义。 用来训练的是libsvm自带的heart数据 model = ? ? Parameters: [5x1 double]? ?? ?nr_class: 2? ?? ? totalSV: 259 ? ? ? ? ? ? ? ? ? %?支持向量的数目? ?? ?? ???rho: 0.0514 ? ? ? ? ? ? ? % ?b? ?? ?? ?La