libsvm 训练后的模型参数讲解
来源:互联网 发布:淘宝在哪看总消费金额 编辑:程序博客网 时间:2024/05/17 06:41
主要就是讲解利用libsvm-mat工具箱建立分类(回归模型)后,得到的模型model里面参数的意义以及如果通过model得到相应模型的表达式,这里主
要以分类问题为例子。
下面我们就看看 model这个结构体里面的各种参数的意义都是神马,model 如下:
model.Parameters
我们先来看一下model.Parameters里面承装的都是什么:
>> model.Parametersans =
02.0000
3.0000
2.8000
0
重要知识点:
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)
关于libsvm参数的一点小说明:
Libsvm中参数设置可以按照SVM的类型和核函数所支持的参数进行任意组合,如果设置的参数在函数或SVM类型中没有也不会产生影响,程序不会接受该参数;如果应有的参数设置不正确,参数将采用默认值。
model.Label model.nr_class
>> model.Label
ans =1
-1
>> model.nr_class
ans =
2
重要知识点:
- model.Label表示数据集中类别的标签都有什么,这里是 1,-1;
- model.nr_class表示数据集中有多少类别,这里是二分类。
model.totalSV model.nSV
>> model.totalSVans =
259
>> model.nSV
ans =
118
141
重要知识点:
- model.totalSV代表总共的支持向量的数目,这里共有259个支持向量;
- model.nSV表示每类样本的支持向量的数目,这里表示标签为1的样本的支持向量有118个,标签为-1的样本的支持向量为141。
model.ProbA model.ProbB
关于这两个参数这里不做介绍,使用-b参数时才能用到,用于概率估计。
-b probability_estimates: whether to train a SVC or SVR model for probability estimates, 0 or 1 (default 0)model.sv_coef model.SVs model.rho
sv_coef: [259x1 double]
SVs: [259x13 double]
model.rho = 0.0514
重要知识点:
- model.sv_coef是一个259*1的矩阵,承装的是259个支持向量在决策函数中的系数;
- model.SVs是一个259*13的稀疏矩阵,承装的是259个支持向量。
- model.rho是决策函数中的常数项的相反数(-b)
最终的决策函数为:
在由于我们使用的是RBF核函数(前面参数设置 –t 2),故这里的决策函数即为:
其中|| x-y ||是二范数距离 ;
这里面的
b就是-model.rho(一个标量数字);
b = -model.rho;
n代表支持向量的个数即 n = model.totalSV(一个标量数字);
对于每一个i:
wi =model.sv_coef(i); 支持向量的系数(一个标量数字)
xi = model.SVs(i,:) 支持向量(1*13的行向量)
x 是待预测标签的样本 (1*13的行向量)
gamma 就是 -g 参数
好的下面我们通过model提供的信息自己建立上面的决策函数如下:
3
4
6
7
8
9
10
13
14
15
16
17
18
19
20
21
gamma = model.Parameters(4);
len = length(model.sv_coef);
y = 0;
for i = 1:len
end
b = -model.rho;
y = y + b;
if y >= 0
plabel = 1;
else
plabel = -1;
end
%% 验证自己通过决策函数预测的标签和svmpredict给出的标签相同
flag = sum(plabel == PredictLabel)
over = 1;
最终可以看到 flag = 270 ,即自己建立的决策函数是正确的,可以得到和svmpredict得到的一样的样本的预测标签,事实上svmpredict底层大体也就是这样实现的。这里面要说一下返回参数accuracy的三个参数的意义。
重要的知识点:返回参数accuracy从上到下依次的意义分别是:
- 分类准率(分类问题中用到的参数指标)
- 平均平方误差(MSE (mean squared error)) [回归问题中用到的参数指标]
- 平方相关系数(r2 (squared correlation coefficient))[回归问题中用到的参数指标]
- libsvm 训练后的模型参数讲解
- libsvm 训练后的模型参数讲解
- libsvm 训练后的模型参数讲解
- libsvm 训练后的模型参数讲解
- libsvm 训练后,模型参数详解
- svm模型训练后的参数说明
- 【神经网络学习笔记】LIBSVM参数讲解
- LIBSVM 的参数选择
- libsvm参数的意义
- libsvm python grid.py C和gamma 两个参数的训练
- 【机器学习】用libsvm C++训练SVM模型
- LIBSVM中参数的意义
- matlab进行支持向量机(SVM)模型训练,Libsvm进行svm模型训练详解
- 2、语料库更新后模型的在线训练
- 模型训练之参数选择
- LDA的python实现之模型参数训练
- LDA的python实现之模型参数训练
- TensorFlow 训练好模型参数的保存和恢复代码
- Mysql新建用户和数据库并授权
- 勒布朗法则
- Unity中OnTrigger和OnCollision的触发条件
- hdu1312 深搜 java
- Qtcreator 程序添加版本信息
- libsvm 训练后的模型参数讲解
- Android 5.1长按电源键添加重启功能
- android静态创建和动态创建下拉列表
- 使用RegOpenKeyEx 等windows注册函数时,编译无法解析问题
- swift 设置贯穿导航条的页面背景图片
- jQuery 实现图片剪切(裁剪)效果(慕课网:用JavaScript实现图片剪切(裁剪)效果)
- 【转】C++ vector的使用
- formattable as an htmlwidget
- cocos阻挡层