当前位置：文档库 › SVM学习的对偶算法

SVM学习的对偶算法

(完整word版)支持向量机(SVM)原理及应用概述分析

支持向量机（SVM ）原理及应用一、SVM 的产生与发展自1995年Vapnik (瓦普尼克)在统计学习理论的基础上提出SVM 作为模式识别的新方法之后，SVM 一直倍受关注。同年，Vapnik 和Cortes 提出软间隔(soft margin)SVM ，通过引进松弛变量i ξ度量数据i x 的误分类(分类出现错误时i ξ大于0)，同时在目标函数中增加一个分量用来惩罚非零松弛变量(即代价函数)，SVM 的寻优过程即是大的分隔间距和小的误差补偿之间的平衡过程；1996年，Vapnik 等人又提出支持向量回归 (Support Vector Regression ，SVR)的方法用于解决拟合问题。SVR 同SVM 的出发点都是寻找最优超平面(注：一维空间为点；二维空间为线；三维空间为面；高维空间为超平面。)，但SVR 的目的不是找到两种数据的分割平面，而是找到能准确预测数据分布的平面，两者最终都转换为最优化问题的求解；1998年，Weston 等人根据SVM 原理提出了用于解决多类分类的SVM 方法(Multi-Class Support Vector Machines ，Multi-SVM)，通过将多类分类转化成二类分类，将SVM 应用于多分类问题的判断：此外，在SVM 算法的基本框架下，研究者针对不同的方面提出了很多相关的改进算法。例如，Suykens 提出的最小二乘支持向量机 (Least Square Support Vector Machine ，LS —SVM)算法，Joachims 等人提出的SVM-1ight ，张学工提出的中心支持向量机 (Central Support Vector Machine ，CSVM)，Scholkoph 和Smola 基于二次规划提出的v-SVM 等。此后，台湾大学林智仁(Lin Chih-Jen)教授等对SVM 的典型应用进行总结，并设计开发出较为完善的SVM 工具包，也就是LIBSVM(A Library for Support Vector Machines)。LIBSVM 是一个通用的SVM 软件包，可以解决分类、回归以及分布估计等问题。二、支持向量机原理 SVM 方法是20世纪90年代初Vapnik 等人根据统计学习理论提出的一种新的机器学习方法，它以结构风险最小化原则为理论基础，通过适当地选择函数子集及该子集中的判别函数，使学习机器的实际风险达到最小，保证了通过有限训练样本得到的小误差分类器，对独立测试集的测试误差仍然较小。支持向量机的基本思想：首先，在线性可分情况下，在原空间寻找两类样本的最优分类超平面。在线性不可分的情况下，加入了松弛变量进行分析，通过使用非线性映射将低维输

SVM神经网络的回归预测分析---上证指数开盘指数预测

SVM神经网络的回归预测分析---上证指数开盘指数预测该案例作者申明： 1：本人长期驻扎在此板块里，对该案例提问，做到有问必答。 2：此案例有配套的教学视频，配套的完整可运行Matlab程序。 3：以下内容为该案例的部分内容（约占该案例完整内容的1/10）。 4：此案例为原创案例，转载请注明出处（Matlab中文论坛，《Matlab神经网络30个案例分析》）。 5：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。 6：您看到的以下内容为初稿，书籍的实际内容可能有少许出入，以书籍实际发行内容为准。 7：此书其他常见问题、预定方式等，请点击这里。 Contents ●清空环境变量 ●数据的提取和预处理 ●选择回归预测分析最佳的SVM参数c&g ●利用回归预测分析最佳的参数进行SVM网络训练 ●SVM网络回归预测 ●结果分析 ●子函数 SVMcgForRegress.m 清空环境变量 function chapter14 tic; close all; clear; clc; format compact; 数据的提取和预处理 % 载入测试数据上证指数(1990.12.19-2009.08.19) % 数据是一个4579*6的double型的矩阵,每一行表示每一天的上证指数 % 6列分别表示当天上证指数的开盘指数,指数最高值,指数最低值,收盘指数,当日交易量,当日交易额. load chapter14_sh.mat; % 提取数据 [m,n] = size(sh); ts = sh(2:m,1); tsx = sh(1:m-1,:); % 画出原始上证指数的每日开盘数 figure;

回归预测分析神经网络

%%S V M神经网络的回归预测分析---上证指数开盘指数预测 %% 清空环境变量 function chapter14 tic; close all; clear; clc; format compact; %% 数据的提取和预处理 % 数据是一个4579*6的double型的矩阵,每一行表示每一天的上证指数 % 6列分别表示当天上证指数的开盘指数,指数最高值,指数最低值,收盘指数,当日交易量,当日交易额. load ; % 提取数据 [m,n] = size(sh); ts = sh(2:m,1); tsx = sh(1:m-1,:); % 画出原始上证指数的每日开盘数 figure; plot(ts,'LineWidth',2); title(,'FontSize',12); xlabel(,'FontSize',12); ylabel('开盘数','FontSize',12); grid on; % 数据预处理,将原始数据进行归一化 ts = ts'; tsx = tsx'; % mapminmax为matlab自带的映射函数 % 对ts进行归一化 [TS,TSps] = mapminmax(ts,1,2); % 画出原始上证指数的每日开盘数归一化后的图像 figure; plot(TS,'LineWidth',2); title('原始上证指数的每日开盘数归一化后的图像','FontSize',12); xlabel(,'FontSize',12); ylabel('归一化后的开盘数','FontSize',12); grid on; % 对TS进行转置,以符合libsvm工具箱的数据格式要求 TS = TS'; % mapminmax为matlab自带的映射函数 % 对tsx进行归一化 [TSX,TSXps] = mapminmax(tsx,1,2); % 对TSX进行转置,以符合libsvm工具箱的数据格式要求

matlab30个案例分析案例14-SVM神经网络的回归预测分析

%% SVM神经网络的回归预测分析---上证指数开盘指数预测 % %% 清空环境变量 function chapter14 tic; close all; clear; clc; format compact; %% 数据的提取和预处理 % 载入测试数据上证指数(1990.12.19-2009.08.19) % 数据是一个4579*6的double型的矩阵,每一行表示每一天的上证指数 % 6列分别表示当天上证指数的开盘指数,指数最高值,指数最低值,收盘指数,当日交易量,当日交易额. load chapter14_sh.mat; % 提取数据 [m,n] = size(sh); ts = sh(2:m,1); tsx = sh(1:m-1,:); % 画出原始上证指数的每日开盘数 figure; plot(ts,'LineWidth',2); title('上证指数的每日开盘数(1990.12.20-2009.08.19)','FontSize',12); xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12); ylabel('开盘数','FontSize',12); grid on; % 数据预处理,将原始数据进行归一化 ts = ts'; tsx = tsx'; % mapminmax为matlab自带的映射函数 % 对ts进行归一化 [TS,TSps] = mapminmax(ts,1,2); % 画出原始上证指数的每日开盘数归一化后的图像 figure; plot(TS,'LineWidth',2); title('原始上证指数的每日开盘数归一化后的图像','FontSize',12); xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12);

基于SVM的回归模型路口车辆计数方法

收稿日期：2018年8月16日，修回日期：2018年9月28日作者简介：孙耀航，男，硕士研究生，研究方向：机器视觉与模式识别。刘萍，女，教授，研究方向：软件工程与机器学习。? 1引言今年“两会”的政府工作报告中，再一次提到 “加快推进新型城镇化”的重要课题。随着我国城镇化建设不断推进，私家车数量以及车辆里程数的不断提高，交通拥堵愈发严重；严重的拥堵增加了车辆能耗，会造成严重的资源浪费和环境污染［1］。为了提升对现有交通设施的利用效率，缓解交通压力，提高能源使用效率，降低环境污染，从20世纪60年代开始，以智能交通管理系统为代表的智能交通系统（ITS ）［2］得到了广泛关注。在智能交通管理系统中，人们有望对路口车辆的数量进行实时监控，并且根据当前各方向车辆数量，对红绿灯的转换时间进行即时调整。这一改进无疑可以减少车辆的等待时间，从而降低拥堵，减少污染。而相比于需要在地下放置传感器（比如地磁线圈）的智能交通灯，基于路口交通视频处理的交通灯更能有效利用现有的资源（路口监控摄像头），成本更低，也易于修理维护。在传统的交通系统中，终端（红绿灯、摄像头等）采集到的左右信息都传回控制中心，由控制中心对终端统一“发号施令”。但是，如果所有视频流都传输回中心进行处理，不仅会浪费网络带宽，并且传输过程中的丢帧也会使视频分析变得非常困难。所以，在终端对视频进行分析就变得十分有必要。而因为终端处理器的性能有限，这就要求我们基于SVM 的回归模型路口车辆计数方法 ? 孙耀航刘萍（中国人民解放军陆军军官学院基础部计算中心合肥 230031）摘要论文提出了一种利用监控视频对路口车辆进行计数的新的方法。针对路口车辆交通拥堵、遮挡程度高、移动速度缓慢、车行有规律等特征，提出基于回归模型的路口监控视频车辆计数算法。首先对监控视频进行处理，从中提取车流特征。之后，利用SVM 对实时道路车辆密度进行辨别，并根据辨别结果，对密度高或低的情况分别应用不同的回归模型进行计数。最后，以实地采集的路口交通视频对该方法进行了验证。实验结果表明，该方法可以在实现较高准确率的基础上，占用较少的计算资源，对路口监控视频的车流进行计数。关键词 SVM ；回归模型；车辆计数中图分类号 O213 DOI ：10.3969/j.issn.1672-9722.2019.02.038 A Crossroad Vehicle Counting Method Based on SVM-based Regression Model SUN Yaohang LIU Ping （Basic Computing Center ，Chinese Peoples Liberation Army Academy ，Hefei 230031） Abstract In this article ，a novel method of vehicle counting using surveillance video employed on crossing roads is proposed. Since videos on crossing roads tend to present jammed traffic with heavy occlusion ，slow movement ，and are highly regular ，a count ?ing algorithm based on regression models is proposed.First the surveillance video to extract features from the video is processed. Then ，SVM is used to verify the vehicle density.Finally ，the method using real crossing road videos is tested.Experiments showed that this method is able to count the traffic with higher accuracy and lower computational costs. Key Words SVM ，regression model ，vehicle count Class Number O213 万方数据

matlab30个案例分析案例15-SVM神经网络的信息粒化时序回归预测

%% SVM神经网络的信息粒化时序回归预测----上证指数开盘指数变化趋势和变化空间预测 %% 清空环境变量 function chapter15 tic; close all; clear; clc; format compact; %% 原始数据的提取 % 载入测试数据上证指数(1990.12.19-2009.08.19) % 数据是一个4579*6的double型的矩阵,每一行表示每一天的上证指数 % 6列分别表示当天上证指数的开盘指数,指数最高值,指数最低值,收盘指数,当日交易量,当日交易额. load chapter15_sh.mat; % 提取数据 ts = sh_open; time = length(ts); % 画出原始上证指数的每日开盘数 figure; plot(ts,'LineWidth',2); title('上证指数的每日开盘数(1990.12.20-2009.08.19)','FontSize',12); xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12); ylabel('开盘数','FontSize',12); grid on; print -dtiff -r600 original; snapnow; %% 对原始数据进行模糊信息粒化 win_num = floor(time/5); tsx = 1:win_num; tsx = tsx'; [Low,R,Up]=FIG_D(ts','triangle',win_num); % 模糊信息粒化可视化图 figure; hold on; plot(Low,'b+'); plot(R,'r*');

多目标输出SVM回归的参数优化和特征选择

多目标输出SVM回归的参数优化和特征选择彭文伟湖南湘潭湘钢巴塘17-18,邮政编码:411104. Email:pww71@https://www.wendangku.net/doc/2117469922.html,, phone:+86-0732-*******. 摘要：目前多目标输出SVM回归的算法使用多阈值, 其预测效果不理想，且运算量大。另外SVM算法的评价准则采用的是交叉验证的均方误差或相关系数，如果各目标的数据不平衡，这种统计方法无法用于评价多目标输出SVM回归算法。首先，本文提出采用相同阈值的SVM多目标输出回归的算法,然后对交叉验证提出两种误差统计方法:一,各目标均方误差作均匀化处理，二,使用马氏距离最小化的方法。最后，针对大型数据超大运算的问题，提出网络计算机并行运算算法。实验先用遗传算法,粒子群算法和自己的BFS算法分别对相同SVM模型作参数优化，然后用改进的序列极小化特征选择算法优化SVM特征。结果说明：选择ε-SVR算法和Rbf核，和BFS算法的参数优化，交叉验证用均匀化的均方误差作评价准则，效果相对较好。关键词：支持向量机; 遗传算法; 粒子群算法; BFS算法; 序列极小化特征选择; Abstract: At present, the multi-objective output SVM regression used multi-threshold strategy. However, its prediction result and computational complexity is not satisfactory. In addition, the parameter and feature selection generally used cross-validation as the evaluation criteria. Because of the imbalance data, the statistical methods used to evaluate the cross-validation error cannot always get the optimal effect. In this paper, an algorithm of the multi-objective output SVM regression using the same thresholds for the multi-objective is proposed. Moreover, two error evaluation methods for cross-validation are proposed. Firstly, the mean square error for all objectives are treated homogeneously; Secondly, minimizing the Mahalanobis distance is used。Finally, data for large super-computing problem, the network computer parallel computing algorithm is proposed. experiment by using genetic algorithms, particle swarm optimization and own Breadth-first search algorithm separately on the same SVM model for parameter optimization, and then experiment by using the modified sequential minimal algorithm for feature selection. Results show that: ε-SVR , Gaussian Radial Basis, parameter optimization is using Breadth-first search algorithm, cross-validation with homogenization of the mean square error for the purpose of evaluation criteria, the effect is relatively good. Keyword: svm; genetic algorithms; particle swarm optimization; BFS; The sequential minimal algorithm based on feature selection; 一,引言支持向量机 (Support Vector Machines, SVM)是Vapnik等人于20世纪90年代建立的，基于统计学习理论且推广能力非常好的一种小样本学习方法[1]，，已成功应用于模式分类、回归分析等领域。 SVM回归问题一般都是单目标输出[2-3]（SVM回归问题的目标值只有一个）。而目前多目标输出（SVM回归问题目标值超过一个）一般采用多阈值方式[4]，不是共同的间隔，相当于用单目标预测方式重复预测多目标，实验效果不是很理想，故提出采用相同阈值的多目标SVM回归算法。正如大多数学习机算法，支持向量机（SVM）的性能与SVM参数和特征的选择有关[5]。不同的数据类型用不同的SVM模型预测效果有一定的差异，而SVM模型不同其参数和参数范围也不同，因此对于不同的SVM模型，因根据其参数多少和范围来选择不同的参数优化方案。常用的参数优化办法是网格搜索[6]，但是其采用2的n次幂将范围切割为离散数，造成搜索范围不均匀分布，即使提高网格数搜索精度也不高，而且增加运算量。为了提高精度，本人提出启发式广度优先搜索。目前使用遗传算法和粒子群算法作参数优化的越来越多，但是针对不同的SVM模型，没有对众多参数优化方案进行综合的对比和评价，是缺乏说服力的。 SVM参数和特征的优化过程需要一个评价准则。该准则大多采用k折交叉验证验证的均方误差或相关系数。先预先设定好某个SVM参数，然后进行k-折交叉验证（k-fold cross vaidation）：将训练样本集随机地分成k个互不相交的子集，每个折的大小大致相等。利用k-1个训练子集，对给定的一组参数建立回归模型，利用剩下的最后一个子集的误差平均值评估参数的性能。以上过程重复K次，因此每个子集都有机会进行测试，最后根据k次迭代后得到误差平均值。用该误差平均

数学中各种回归分析方法总结

其主要思路是将对异常值十分敏感的经典最小二乘回归中的目标函数进行修改。经典最小二乘回归以使误差平方和达到最小为其目标函数。因为方差为一不稳健统计量，故最小二乘回归是一种不稳健的方法。为减少异常点的作用，对不同的点施加不同的权重，残差小的点权重大，残差大的店权重小。 2、变系数回归地理位置加权 3、偏最小二乘回归长期以来，模型式的方法和认识性的方法之间的界限分得十分清楚。而偏最小二乘法则把它们有机的结合起来了，在一个算法下，可以同时实现回归建模(多元线性回归)、数据结构简化(主成分分析)以及两组变量之间的相关性分析(典型相关分析)。偏最小二乘法在统计应用中的重要性体现在以下几个方面：偏最小二乘法是一种多因变量对多自变量的回归建模方法。偏最小二乘法可以较好的解决许多以往用普通多元回归无法解决的问题。偏最小二乘法之所以被称为第二代回归方法，还由于它可以实现多种数据分析方法的综合应用。能够消除自变量选取时可能存在的多重共线性问题。普通最小二乘回归方法在自变量间存在严重的多重共线性时会失效。自变量的样本数与自变量个数相比过少时仍可进行预测。 4、支持向量回归能较好地解决小样本、非线性、高维数和局部极小点等实际问题。传统的化学计量学算法处理回归建模问题在拟合训练样本时,要求“残差平方和”最小,这样将有限样本数据中的误差也拟合进了数学模型,易产生“过拟合”问题,针对传统方法这一不足之处,SVR采用“ε不敏感函数”来解决“过拟合”问题,即f(x)用拟合目标值yk时,取:f(x) =∑SVs(αi-α*i)K(xi,x) 上式中αi和α*i为支持向量对应的拉格朗日待定系数,K(xi,x)是采用的核函数[18],x为未知样本的特征矢量,xi为支持向量(拟合函数周围的ε“管壁”上的特征矢量),SVs 为支持向量的数目.目标值yk拟合在yk-∑SVs(αi-α*i)K(xi,xk)≤ε时,即认为进一步拟合是无意义的。 5、核回归核函数回归的最初始想法是用非参数方法来估计离散观测情况下的概率密度函数(pdf)。为了避免高维空间中的内积运算由Mercer条件，存在映射函数a和核函数K(?,?)，使得：=K(xi ,x) 采用不同的函数作为SVM的核函数K (x i,x)，可以实现多种从输入空间到特征空间的非线性映射形式 6、岭回归岭回归分析是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的耐受性远远强于最小二乘法。 7、半参数回归模型既含有参数分量又含有非参数分量,其参数部分用来解释函数关系已知的部分,它是观测值中的主要成分,而其非参数部分则描述函数关系未知,无法表达为待定参数的函数部分。 8、自回归例1．Yt = α+β0Xt +β1Xt-1 +……+βsXt-s + ut, 例2．Yt = f (Yt-1, Yt-2, … , X2t, X3t, … ) ，滞后的因变量（内生变量）作为解释变量出现在方程的右端。这种包含了内生变量滞后项的模型称为自回归模型。

libsvm回归分析步骤

Libsvm回归分析步骤： 1、数据准备将数据整理成label index1:value1 index2:value2 ... indexn:valuen的格式其中label为目标值，index1……indexn 从1到n的自然数，value为对应的特征值。技巧：如何将要整理的数据从 label value1 value2 ... valuen 转成 label index1:value1 index2:value2 ... indexn:valuen 可在excel下添加辅助列，每列分别为1：, 2： , ……n: 然后使用 =concatenate（E1,B1）将两列拼接起来假设E1代表value1, B1代表index1，则得到的结果是 index1:value1 2、数据归一化将1中得到的数据进行归一化，注意，将训练数据和测试数据一起归一化为了方便，可写一个批处理文件如： svm-scale -y -1 1 -s p.txt all.txt>all-scaled.txt //所有数据一起归一化，结果存放在 all-scaled.txt中，参数存放在p.txt中svm-scale -y -1 1 -r p.txt train.txt>train-scaled.txt //利用p.txt中参数归一化train.txt svm-scale -y -1 1 -r p.txt test.txt>test-scaled.txt //利用p.txt中参数归一化test.txt 注意：需要将归一化的数据，及批处理程序都放在 svm-scale.exe 所在的目录下，否则要写绝对路径。 3、寻找最优参数所需调整的重要参数是-c 和–g，可以使用 gridregression.py寻找最优参数。详细操作可参考用livsvm对下关水位的预测.pdf 若需对训练数据进行聚类，运行 b.txt（当时没取好名字?）除了大于……不聚类可不填外，其他参数必填。参数说明：维数如label 1:value1 2:value2 3:value3 的维数为4

回归预测分析---SVM神经网络

%% SVM神经网络的回归预测分析上证指数开盘指数预测 %%清空环境变量 fun cti on chapter14 tic; ---------------------------- close all ; clear; clc; format compact ; %%数据的提取和预处理 %载入测试数据上证指数(1990.12.19-2009.08.19) %数据是一个4579*6 的double 型的矩阵，每一行表示每一天的上证指数 %6列分别表示当天上证指数的开盘指数，指数最高值，指数最低值，收盘指数易额. load chapter14_sh.mat ; %提取数据 [m,n] = size(sh); ts = sh(2:m,1); tsx = sh(1:m-1,:); %画岀原始上证指数的每日开盘数figure; plot(ts, 'Li neWidth' ,2); title( '上证指数的每日开盘数(1990.12.20-2009.08.19)' , 'FontSize' xlabel( '交易日天数(1990.12.19-2009.08.19)' , 'FontSize' ,12); ylabel( '开盘数','FontSize' ,12); grid on; %数据预处理，将原始数据进行归一化 ts = ts'; tsx = tsx'; % mapminmax 为matlab 自带的映射函数 %对ts进行归一化 [TS,TSps] = mapmi nm ax(ts,1,2); %画岀原始上证指数的每日开盘数归一化后的图像 figure; plot (TS, 'Li neWidth' ,2);当日交易量，当日交,12);

支持向量机及支持向量回归概述

3．支持向量机（回归） 3.1.1 支持向量机支持向量机（SVM ）是美国Vapnik 教授于1990年代提出的，2000年代后成为了很受欢迎的机器学习方法。它将输入样本集合变换到高维空间使得其分离性状况得到改善。它的结构酷似三层感知器，是构造分类规则的通用方法。SVM 方法的贡献在于，它使得人们可以在非常高维的空间中构造出好的分类规则，为分类算法提供了统一的理论框架。作为副产品，SVM 从理论上解释了多层感知器的隐蔽层数目和隐节点数目的作用，因此，将神经网络的学习算法纳入了核技巧范畴。所谓核技巧，就是找一个核函数(,)K x y 使其满足(,)((),())K x y x y φφ=，代替在特征空间中内积(),())x y φφ（的计算。因为对于非线性分类，一般是先找一个非线性映射φ将输入数据映射到高维特征空间，使之分离性状况得到很大改观，此时在该特征空间中进行分类，然后再返会原空间，就得到了原输入空间的非线性分类。由于内积运算量相当大，核技巧就是为了降低计算量而生的。特别，对特征空间H 为Hilbert 空间的情形，设(,)K x y 是定义在输入空间 n R 上的二元函数，设H 中的规范正交基为12(),(),...,(),...n x x x φφφ。如果 221 (,)((),()), {}k k k k k K x y a x y a l φφ∞ ==∈∑，

那么取1 ()()k k k x a x φφ∞ ==∑即为所求的非线性嵌入映射。由于核函数(,)K x y 的定义域是原来的输入空间，而不是高维的特征空间。因此，巧妙地避开了计算高维内积(),())x y φφ（所需付出的计算代价。实际计算中，我们只要选定一个(,)K x y ，并不去重构嵌入映射1()()k k k x a x φφ∞ ==∑。所以寻找核函数(,)K x y （对称且非负）就是主要任务了。满足以上条件的核函数很多，例如 ● 可以取为d-阶多项式：(,)(1)d K x y x y =+，其中y 为固定元素。 ● 可以取为径向函数：()22(,)exp ||||/K x y x y σ=-，其中y 为固定元素。 ● 可以取为神经网络惯用的核函数：()12(,)tanh ()K x y c x y c =+，其中y 为固定元素。一般地，核函数的存在性只依赖于如何寻找一个平方收敛的非负序列{}k a 。这样的序列在2l 空间的正锥{}{}22|0,k k l a l a k +=∈≥?中的序列都满足。但哪一个最佳还有待于进一步讨论。经验表明，分类问题对于核函数不太敏感。当然，重新构造一个核函数也不是一个简单的事。因此，实际操作中往往就在上述三类中挑出一个来使用就可以了。支持向量机的结构示意图可以表示如下：

[整理]libsvm_训练后的模型参数讲解.

libsvm 训练后的模型参数讲解本帖子主要就是讲解利用libsvm-mat工具箱建立分类（回归模型）后，得到的模型model里面参数的意义都是神马？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。测试数据使用的是libsvm-mat自带的heart_scale.mat数据（270*13的一个属性据矩阵，共有270个样本，每个样本有13个属性），方便大家自己测试学习。首先上一个简短的测试代码： 1.%% ModelDecryption 2.% by faruto @ faruto's Studio~ 3.% https://www.wendangku.net/doc/2117469922.html,/faruto 4.% Email:faruto@https://www.wendangku.net/doc/2117469922.html, 5.% https://www.wendangku.net/doc/2117469922.html, 6.% https://www.wendangku.net/doc/2117469922.html, 7.% https://www.wendangku.net/doc/2117469922.html, 8.% last modified by 2011.01.06 9.%% a litte clean work 10.tic; 11.close all; 12.clear; 13.clc; 14.format compact; 15.%% 16.% 首先载入数据 17.load heart_scale; 18.data = heart_scale_inst; https://www.wendangku.net/doc/2117469922.html,bel = heart_scale_label; 20.% 建立分类模型 21.model = svmtrain(label,data,'-s 0 -t 2 -c 1.2 -g 2.8'); 22.model 23.% 利用建立的模型看其在训练集合上的分类效果 24.[PredictLabel,accuracy] = svmpredict(label,data,model); 25.accuracy 26.%% 27.toc; 复制代码运行结果： 1.model =