svm

标签：

1、 libsvm模型选择：
-s svm_type : set type of SVM (default 0)
0 -- C-SVC
(multi-class classification)
1 -- nu-SVC
(multi-class classification)
2 -- one-class SVM
3 -- epsilon-SVR(regression)

4 -- nu-SVR(regression)

2、核函数选择：

-t kernel_type : set type of kernel function (default 2)
0 -- linear: u‘*v
1 -- polynomial: (gamma*u‘*v + coef0)^degree
2 -- radial basis function: exp(-gamma*|u-v|^2)
3 -- sigmoid: tanh(gamma*u‘*v + coef0)

4 -- precomputed kernel (kernel values in training_instance_matrix)

3、其他参数：

-d degree : set degree in kernel function (default 3)
-g gamma : set gamma in kernel function (default 1/num_features)
-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
-q : quiet mode (no outputs)

4、 modle参数

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：和函数中的degree设置（针对多项式核函数）（默认3）
-g 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）（默认为0）

model.Label：表示数据集中类别的标签
model.nr_class：表示数据集中有多少标签 
model.totalSV：代表总共的支持向量机的数目
model.nSV：表示每类样本的支持向量的数目
model.ProbA,model.ProbB：
model.sv_coef：表示支持向量在决策函数中的系数
model.SVs：表示支持向量
model.rho：表示决策函数中的常数项的相反数（-b）
model.sv_indices：表示支持向量在数据集中的位置
5、 结果参数解析：
iter：迭代次数
nu: 与前面的操作参数-n nu 相同
obj:为SVM问题转换为的二次规划求解得到的最小值
rho:表示决策函数中的常数项的相反数（-b）
nSV:标准支持向量个数,就是在分类的边界上，松弛变量等于0，朗格朗日系数 0=<ai<C  
nBSV:边界的支持向量个数,不在分类的边界上，松弛变量大于0，拉格郎日系数 ai = C
Accuracy:预测结果的准确率

svm

标签：

原文地址：http://www.cnblogs.com/mejliu/p/4773565.html