支持向量机（SupportVector Machine）（一）

 1.SVM主要思想

      SVM的主要思想是建立一个分类超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化。

      SVM的理论基础是统计学习理论，更准确地说，是结构风险最小化的近似实现。

2.LIBSVM工具箱的主要函数

    （1）训练函数    model =svmtrain(train_label,train_data,options);

              输入：

—train_label:训练集标签，大小为nx1，n表示样本数，数据类型double.

—train_data:训练集属性矩阵，大小为nxm，n表示样本数，m表示属性数目（维数），数据类型double.

—options:参数选项，比如'-c 1-g 0.1'.

输出：

—model:训练得到的模型，是一个结构体。注意：使用-v参数时，返回的model不再是一个结构体，分类问题返回的是交叉验证下的平均分类准确率；回归问题返回的是交叉验证下的平均均方根误差（MSE）.

   （2）预测函数      [predict_label,accrucy/mse,dec_value]=svmpredict(test_label,test_data,model);

输入：

—test_label:测试集标签，大小为Nx1，N表示样本数，数据类型double。注意：如果没有测试集标签，可以用任意的Nx1的列向量代替即可，此时的输出          accyracy/mse就没有参考价值。

—test_data:测试集属性矩阵，大小为Nxm，N表示测试集样本数，m表示属性数目（维数），数据类型double.

—model: svmtrain训练得到的模型.

输出：

—predict_label:预测的测试集的标签，大小为Nx1，N表示样本数，数据类型为double.

—accuracy/mse:一个3x1的列向量，第一个数表示平均相关系数（回归问题使用）。注意：如果测试集的真实标签实现无法得知，此返回值没有参考价值。

—dec_value:决策值。

3.LIBSVM工具箱在MATLAB平台下的安装

           安装LIBSVM工具箱是在MATLAB平台下使用LIBSVM的前提。