浅谈libsvm3.21，matlab编程各个参数作用

来源：互联网发布：js定时器停止执行函数编辑：程序博客网时间：2024/04/28 23:30

最近在研究matlab的libsvm的包，SVM相比神经网络等传统回归、分类算法更吸引人的地方在于加入了置信风险，神经网络算法权重的指导在于经验风险，分经验风险往往不能正真反映实际情况，可能样布分布不均匀，抑或样本量太少。因此掌握SVM的应用可以好好进行对比。

1、首先你需要下载livsvm的工具包，在网上搜索都有，如果没有的话，我上传了一份点击打开链接

2、将MATLAB工作目录进入 libsvm-3.21->进入matlab

3、命令窗输入：mex -setup 随便选一个编译器，我用的是vs2010

4、命令窗输入：make

如果显示编译成功，就成功咯。

好了，我们看看如何调参。

输入下方代码在脚本，记得把libsvm-3.21下的heart_scale数据包复制到matlab文件夹下，否则打不开。

[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');model = svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07');[predict_label, accuracy, dec_values] = svmpredict(heart_scale_label, heart_scale_inst, model);

运行应该是以下结果

optimization finished, #iter = 134
nu = 0.433785
obj = -101.855060, rho = 0.426412
nSV = 130, nBSV = 107
Total nSV = 130
Accuracy = 86.6667% (234/270) (classification)

86.6667% 不高，我们来调一调参数：

svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07');

第三个参数做做变化，改为‘-c 11 -g 0.07’

如下：

[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');model = svmtrain(heart_scale_label, heart_scale_inst, '-c 11 -g 0.07');[predict_label, accuracy, dec_values] = svmpredict(heart_scale_label, heart_scale_inst, model);

运行结果为：

optimization finished, #iter = 538
nu = 0.308611
obj = -736.884416, rho = 0.952696
nSV = 113, nBSV = 57
Total nSV = 113
Accuracy = 92.5926% (250/270) (classification)

恩，提高了不少

还是不满意

第三个参数接着做变化：

svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07 -t 1');

结果为：

optimization finished, #iter = 434
nu = 0.367386
obj = -855.073089, rho = -0.404518
nSV = 134, nBSV = 67
Total nSV = 134
Accuracy = 92.963% (251/270) (classification)

提高了一点点

再来改：

svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.7 -t 1');

改为- g 0.7

结果：

optimization finished, #iter = 2646
nu = 0.005624
obj = -8.352630, rho = -1.049725
nSV = 108, nBSV = 0
Total nSV = 108
Accuracy = 100% (270/270) (classification)

支持向量少了一点，但是结果不错100%，算满意了

可能有朋友问各个参数什么意思，怎么用，给大家推荐一篇文章，我这里只做补充而已：

点击打开链接

希望有帮助

1 0