svm理解：

LSSVM：

最小二乘支持向量机(Least squares support vector Maehine,LSSVM)是SVM的一种变体,把问题转化成对一个

线性方程求解,所需计算资源少,具有较高的准确率。

~~~~~~~~~~~~~~~~~~~~~~~~~cut:引用别人的话~~~~~~~~~~~~~~~~~~~~~~~~~~~~~libsvm 工具箱和 lssvm工具箱的区别：

答：libsvm工具箱是用 SMO算法来求解 svm模型中的那个最优化问题的解。lssvm工具箱是用最小二乘算法来求解 svm模型中的那个最优化问题的解。这就是libsvm 工具箱和 lssvm工具箱的区别

PS：附: MATLAB自带的svm实现函数与libsvm差别小议：1 MATLAB自带的svm实现函数仅有的模型是C-SVC(C-support vector classification)；而libsvm工具箱有C-SVC(C-support vector classification),nu-SVC(nu-support vector classification),one-class SVM(distribution estimation),epsilon-SVR(epsilon-support vector regression),nu-SVR(nu-support vector regression)等多种模型可供使用。2 MATLAB自带的svm实现函数仅支持分类问题，不支持回归问题；而libsvm不仅支持分类问题，亦支持回归问题。3 MATLAB自带的svm实现函数仅支持二分类问题，多分类问题需按照多分类的相应算法编程实现；而libsvm采用1v1算法支持多分类。4 MATLAB自带的svm实现函数采用RBF核函数时无法调节核函数的参数gamma，貌似仅能用默认的；而libsvm可以进行该参数的调节。5 libsvm中的二次规划问题的解决算法是SMO；而MATLAB自带的svm实现函数中二次规划问题的解法有三种可以选择：经典二次方法；SMO；最小二乘。(这个是我目前发现的MATLAB自带的svm实现函数唯一的优点~)在以上的一些对比下，我个人建议目前svm的实现还是使用libsvm(这个应该是目前最好用的svm工具箱)，当然MATLAB自带的svm实现函数对于简单问题也可使用，MATLAB自带的svm实现函数可能会在更加新的版本里面进行完善，我也曾尝试用MATLAB自带的svm实现函数来进行重新封装实现libsvm中的所有功能但工作量有些大~

~~~~~~~~~~~~~~~~~~~~~~~cut:引用别人的话~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

to do list:

ARIMA一SVM

关于在matlab中适用libsvm：

在R中使用的博文：

R 中svm的参数

decision.values = TRUE,probability = T

可以看到，两两组合有k(k-1)个分类器，第一行投票setosa、setosa、versicolor，所以概率上是setosa很高setosa/versicolor  setosa/virginica versicolor/virginicasetosa  versicolor    virginica

1           1.1961523        1.0917574           0.670881001    0.979858480 0.011735539 0.008405980

2           1.0646207        1.0561852           0.848351782    0.972122627 0.018875660 0.009001713

3           1.1808415        1.0745422           0.643979823    0.978531389 0.012386896 0.009081715

4           1.1106992        1.0530122           0.678204104    0.974306386 0.015938338 0.009755276

5           1.1853301        1.0943138           0.558740545    0.979000412 0.012070757 0.008928831

6           1.0811618        1.0943843           0.553844186    0.973242016 0.017453410 0.009304574

7           1.1448311        1.0392875           0.568047307    0.975160289 0.014021169 0.010818542

8           1.1937271        1.0845292           0.729777488    0.979735842 0.011881315 0.008382843

9           0.9995967        1.0313068           0.592235069    0.965043725 0.023491575 0.011464700

使用tune.svm调试参数cost，和gamma：

tmp_c

Cs = 10^(tmp_c)

gm = 10^(tmp_c-2)

tc

prioir_svm

tunecontrol = tc)

用于阅读的参考文献转载本文请联系原作者获取授权，同时请注明本文来自吴锐科学网博客。

链接地址：http://blog.sciencenet.cn/blog-3083238-1018044.html

上一篇：matlab cvx ＋ yalmip

下一篇：R 中作图的图标问题汇总