1.最近结合ACO和SVM做分类，于是仔细看了下svmtrain的help文档。现结合该doc文档，做简单整理，希望对

svm入门者有点帮助哦。

svmtrain：用于训练支持向量机分类器。语法格式如下：

SVMStruct = svmtrain(Training, Group)

SVMStruct = svmtrain(..., 'Kernel_Function',

Kernel_FunctionValue, ...)

SVMStruct = svmtrain(..., 'RBF_Sigma',

RBFSigmaValue, ...)

SVMStruct = svmtrain(..., 'Polyorder',

PolyorderValue, ...)

SVMStruct = svmtrain(..., 'Mlp_Params',

Mlp_ParamsValue, ...)

SVMStruct = svmtrain(..., 'Method', MethodValue,

...)

SVMStruct = svmtrain(..., 'QuadProg_Opts',

QuadProg_OptsValue, ...)

SVMStruct = svmtrain(..., 'SMO_Opts',

SMO_OptsValue, ...)

SVMStruct = svmtrain(..., 'BoxConstraint',

BoxConstraintValue, ...)

SVMStruct = svmtrain(..., 'Autoscale',

AutoscaleValue, ...)

SVMStruct = svmtrain(..., 'Showplot',

ShowplotValue, ...)

解释如下：

Training是一个M行N列的矩阵，M是样本数，N是特征维数。Group：是个列向量，表示样本对应的类别，用字符串表示(可以用数字或单个字符)。

classifier is returned in SVMStruct, a structure with the

following fields. 'Kernel_Function',

Kernel_FunctionValue,.......'Showplot',

ShowplotValue这些在svmtrain中是可选项。他们在svmtrain中出现的顺序是无关紧要的。但必须成对出现，前面单引号里的是字符标记，后面给出的是对应的值。Kernel_FunctionValue

有如下些可选类别：

linear — Default. Linear kernel or dot product.

quadratic — Quadratic kernel.

rbf — Gaussian Radial Basis Function kernel with a default

scaling factor, sigma, of 1.

polynomial — Polynomial kernel with a default order of 3.

mlp — Multilayer Perceptron kernel with default scale and bias

parameters of [1, -1].

如可通过如下来设定核函数为Gaussian Radial Basis Function

kernel ：

SVMStruct = svmtrain(Training, Group,

'Kernel_Function', rbf)；

%%-------------------------分割线----------------------------------------------------------------------

2 svmtrain(

… );

%通过训练集来训练模型 svmpredict( …

);%对测试集进行预测 >>model

= svmtrain(train_label, train_matrix,

['libsvm_options']); -train_label: An m by 1 vector of training

labels (type must be

double).-train_matrix: An m by n matrix of m training

instances with n features. It can be dense or sparse

(type must be

double).-libsvm_options: A string of training options

in the same format as that of LIBSVM.===============The 'svmtrain'

function returns a model which can be used for

futureprediction. >>

[predicted_label, accuracy, decision_values/prob_estimates] =

svmpredict(test_label, test_matrix, model,

['libsvm_options']); -test_label: An m by 1 vector of prediction

labels. If labels of test data are unknown, simply use

any random values. (type must be

double)-testmatrix: An m by n matrix of m testing

instances with n features. It can be dense or sparse.

(type must be double)-model: The output of

svmtrain.-libsvm_options: A string of testing options in

the same format as that of

LIBSVM.=============== English:libsvm_options:-s

svm_type : set type of SVM (default 0)0 -- C-SVC1 -- nu-SVC2 --

one-class SVM3 -- epsilon-SVR4 -- nu-SVR-t kernel_type : set type

of kernel function (default 2)0 -- linear: u'*v1 -- polynomial:

(gamma*u'*v + coef0)^degree2 -- radial basis function:

exp(-gamma*|u-v|^2)3 -- sigmoid: tanh(gamma*u'*v + coef0)4 --

precomputed kernel (kernel values in training_instance_matrix)-d

degree : set degree in kernel function (default 3)-g gamma : set

gamma in kernel function (default 1/k)-r coef0 : set coef0 in

kernel function (default 0)-c cost : set the parameter C of C-SVC,

epsilon-SVR, and nu-SVR (default 1)-n nu : set the parameter nu of

nu-SVC, one-class SVM, and nu-SVR (default 0.5)-p epsilon : set the

epsilon in loss function of epsilon-SVR (default 0.1)-m cachesize :

set cache memory size in MB (default 100)-e epsilon : set tolerance

of termination criterion (default 0.001)-h shrinking: whether to

use the shrinking heuristics, 0 or 1 (default 1)-b

probability_estimates: whether to train a SVC or SVR model for

probability estimates, 0 or 1 (default 0)-wi weight: set the

parameter C of class i to weight*C, for C-SVC (default 1)-v n:

n-fold cross validation

mode==========================================================Chinese: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：u'v　　1 – 多项式：(r*u'v

+ coef0)^degree　　2 – RBF函数：exp(-r|u-v|^2)　　3 –sigmoid：tanh(r*u'v +

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部分并计算交互检验准确度和均方根误差。以上这些参数设置可以按照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。

%%-------------------------分割线----------------------------------------------------------------------

3.有时需要将变量转化为字符形式，这个很有用的，这个时候就需要记住num2str(variable,precison)哦。

例如：

用svm时，model=svmtrain(Lables,constants,'-c 1 -g 10')

为了可以用循环来调试到一个好的参数，可以用num2str这个函数将变量转化为字符型。

a=0.8, b=10,

cmd=['-c',' ',num2str(a),' ','-g',' ',num2str(b)];%这里'

'是为了空格

model=svmstrain(Labels,constant,cmd);

%%-------------------------分割线----------------------------------------------------------------------

4.svm一点资料