本节简介一下libsvm的用法。
关于libsvm似乎以前使用过。那个时候主要用libsvm进行简单的人脸识别实验。当时还翻译过关于libsvm里面的matlab英文文档
介绍与分类实验
那么如今最新版本号的libsvm为3.2.0，下载地址例如以下：
http://www.csie.ntu.edu.tw/~cjlin/libsvm/
下载下来的libsvm事实上包括好多个平台的工具箱软件，c++。matlab，java，python都有。
他们的函数用法是一样的。
那么在下载完以后，点击里面的matlab下平台，直接在点击里面的make.m函数就能够了。
正常情况下假设你的matlab含有编译平台的话直接就能够执行了，假设没有，还须要选择一个平台 mex -setup 。
小提醒一下，这个编译过程不要在c盘下使用，也就是libsvm先不要放在c盘，涉及到权限，机器不让编译。编译完后在matlab的设置路径中加入进去编译的目录及其内容，那么就能够使用了。
正常编译的过程是这种：
在上面的人脸识别实验中以前介绍过里面的主要函数，这里为了放在一块，把那里的拿过来吧：
眼下版LIBSVM（3.2.0）在matlab下编译完后仅仅有四个函数，libsvmread，Libsvmwrite，svmtrain（matlab自带的工具箱中有一个同名的函数），svmpredict。
（1）libsvmread主要用于读取数据
这里的数据是非matlab下的.mat数据，比方说是.txt，.data等等，这个时候须要使用libsvmread函数进行转化为matlab可识别数据，比方自带的数据是heart_scale数据。那么导入到matlab有两种方式，一种使用libsvmread函数。在matlab下直接libsvmread(heart_scale);另外一种方式为点击matlab的‘导入数据’button，然后导向heart_scale所在位置，直接选择就能够了。个人感觉另外一种方式超级棒。不管对于什么数据。比方你在哪个数据库下下载的数据，怎样把它变成matlab下数据呢？由于有的数据libsvmread读取不管用，可是‘导入数据’后就能够变成matlab下数据。
（2）libsvmwrite写函数。就是把已知数据存起来
使用方式为：libsvmwrite(‘filename’,label_vector, instance_matrix);
label_vector是标签，instance_matrix为数据矩阵（注意这个数据必须是稀疏矩阵，就是里面的数据不包括无用的数据（比方非常多0），有这种数据应该去掉再存）。
（3）svmtrain训练函数。训练数据产生模型的
一般直接使用为：model=svmtrain(label,data,cmd); label为标签，data为训练数据（数据有讲究，每一行为一个样本的全部数据，列数代表的是样本的个数），每个样本都要相应一个标签（分类问题的话一般为二分类问题，也就是每个样本相应一个标签）。cmd为相应的命令集合，都有哪些命令呢？非常多。-v，-t,-g,-c,等等，不同的參数代表的含义不同。比方对于分类问题。这里-t就表示选择的核函数类型，-t=0时线性核。-t=1多项式核。-t=2，径向基函数（高斯），-t=3，sigmod核函数，新版出了个-t=4。估计算核（还不会用）。-g为核函数的參数系数。-c为惩处因子系数，-v为交叉验证的数。默觉得5，这个參数在svmtrain写出来使用与不写出来不使用的时候，model出来的东西不一样。不写的时候，model为一个结构体。是一个模型，能够带到svmpredict中直接使用。写出来的时候，出来的是一个训练模型的准确率。为一个数值。普通情况下就这几个參数重要些，还有好多其它參数，能够自己參考网上比較全的，由于以下的这个方案的人脸识别就用到这么几个參数，其它的就不写了。
（3）svmpredict训练函数，使用训练的模型去预測来的数据类型。
使用方式为：
[predicted_label,accuracy,decision_values/prob_estimates]= svmpredict(testing_label_vector,testing_instance_matrix,model,’libsvm_options’)
或者：
[predicted_label]=svmpredict(testing_label_vector,testing_instance_matrix, model, ‘libsvm_options’)
第一种方式中。输出为三个參数，预測的类型。准确率，评估值（非分类问题用着）。输入为測试类型（这个可与可无，假设没有。那么预測的准确率accuracy就没有意义了，假设有。那么就能够通过这个值与预測出来的那个类型值相比較得出准确率accuracy，可是要说明一点的是，不管这个值有没有，在使用的时候都得加上，即使没有，也要随便加上一个类型值，反正你也不管它对不正确，这是函数使用所规定的的），再就是输入数据值。最后是參数值（这里的參数值仅仅有两种选择，-p和-b參数）。以前遇到一个这种问题，比方说我在训练函数中规定了-g參数为0.1，那么在预測的时候是不是也要规定这个參数呢？当你规定了以后，程序反而错误，提醒没有svmpredict的-g參数，原因是在svmtrain后会出现一个model。而在svmpredict中你已经用了这个model，而这个model中就已经包括了你全部的训练參数了，所以svmpredict中没有这个參数。那么对于的libsvm_options就是-p和-b參数了。
对于函数的输出，两种方式调用的方法不一样，第一种调用把全部须要的数据都调用出来了。二另外一种调用。仅仅调用了predicted_label预測的类型，这里我们能够看到，在单纯的分类预測模型中，事实上另外一种方式更好一些吧，既简单有有用。
致此，四个函数在分类问题中的介绍大概如此，当然还有非常多能够优化的细节就不具体说了，比方能够再使用那些參数的时候，你假设不规定參数的话，全部的-參数都是使用默认的，默认的就可能不是最好的吧，这样就涉及到怎样去优化这个參数了。
使用就介绍到这里吧，以下实战一下，样本集选择前面使用的200个非线性样本集，函数例如以下：
%%
% * libsvm 工具箱简单使用
%
%% 载入数据
% * 终于data格式：m*n。m样本数，n维度
% * label:m*1 标签为-1与1这两类
clc
clear
close all
data = load(\'data_test1.mat\');
data = data.data\';
%选择训练样本个数
num_train = 80;
%构造随机选择序列
choose = randperm(length(data));
train_data = data(choose(1:num_train),:);
gscatter(train_data(:,1),train_data(:,2),train_data(:,3));
label_train = train_data(:,end);
test_data = data(choose(num_train+1:end),:);
label_test = test_data(:,end);
predict = zeros(length(test_data),1);
%% ----训练模型并预測分类
model = svmtrain(label_train,train_data(:,1:end-1),\'-t 2\');
% -t = 2 选择径向基函数核
true_num = 0;
for i = 1:length(test_data)
% 作为预測，svmpredict第一个參数随便给个就能够
predict(i) = svmpredict(1,test_data(i,1:end-1),model);
end
%% 显示结果
figure;
index1 = find(predict==1);
data1 = (test_data(index1,:))\';
plot(data1(1,:),data1(2,:),\'or\');
hold on
index2 = find(predict==-1);
data2 = (test_data(index2,:))\';
plot(data2(1,:),data2(2,:),\'*\');
hold on
indexw = find(predict~=(label_test));
dataw = (test_data(indexw,:))\';
plot(dataw(1,:),dataw(2,:),\'+g\',\'LineWidth\',3);
accuracy = length(find(predict==label_test))/length(test_data);
title([\'predict the testing data and the accuracy is :\',num2str(accuracy)]);
能够看到，关于svm的部分就那么一点，其它的都是辅助吧，那么一个结果例如以下：
数据人为设置了一些重叠，这个结果算是非常好了。当然对于libsvm函数，里面还有很多细节，像參数选择等等。不同的參数结果是不一样的，这就待你去探究了。
至此SVM系列文章就到这里吧，感谢能看到这里的朋友~_~。
回归实验
回归问题不像分类问题。回归问题相当于依据训练样本训练出一个拟合函数一样。能够依据这个拟合函数能够来预測给定一个样本的输出值。能够看到分类问题输出的是样本所属于的类。而回归问题输出的是样本的预測值。
经常使用的地方典型的比方股票预測。人口预測等等此类预測问题。
libsvm相同能够进行回归预測，所须要改变的仅仅是里面的參数设置。查看libsvm的官网介绍參数详情例如以下：
options:
-s svm_type : set type of SVM (default 0)
0 -- C-SVC
1 -- nu-SVC
2 -- one-class SVM
3 -- epsilon-SVR
4 -- nu-SVR
-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)
-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)能够看到-s svm_type 控制的就是训练类型，而当-s等于3或4的时候，就是回归模型SVR。
-s 3 就是经常使用的带惩处项的 SVR模型。我们用这个实验。
我使用的是libsvm3.2.0工具箱，版本号不同可能会带来调用方式的不同。測试实验的代码例如以下。可能会有一些细节须要自己去探索：
close all;
clear;
clc;
%%
% 生成待回归的数据
x = (-1:0.1:1)\';
y = -100*x.^3 + x.^2 - x + 1;
% 加点噪声
y = y+ 20*rand(length(y),1);
%% 採用交叉验证选择參数
mse = 10^7;
for log2c = -10:0.5:3,
for log2g = -10:0.5:3,
% -v 交叉验证參数：在训练的时候须要。測试的时候不须要，否则出错
cmd = [\'-v 3 -c \', num2str(2^log2c), \' -g \', num2str(2^log2g) , \' -s 3 -p 0.4 -t 3\'];
cv = svmtrain(y,x,cmd);
if (cv < mse),
mse = cv; bestc = 2^log2c; bestg = 2^log2g;
end
end
end
%% 训练--
cmd = [\'-c \', num2str(2^bestc), \' -g \', num2str(2^bestg) , \' -s 3 -p 0.4 -n 0.1\'];
model = svmtrain(y,x,cmd);
% model
% 利用建立的模型看其在训练集合上的回归效果
% 注意libsvm3.2.0的svmpredict函数必须有三个參数输出
[py,~,~] = svmpredict(y,x,model);
figure;
plot(x,y,\'o\');
hold on;
plot(x,py,\'g+\');
%%
% 进行预測新的x值
%-- 产生[-1 1]的随机数
testx = -2+(2-(-2))*rand(10,1);
testy = zeros(10,1);% 理论y值无所谓
[ptesty,~,~] = svmpredict(testy,testx,model);
hold on;
plot(testx,ptesty,\'r*\');
legend(\'原始数据\',\'回归数据\',\'新数据\');
grid on;
% title(\'t=0:线性核\')
% title(\'t=1:多项式核\')
% title(\'t=2:径向基函数（高斯）\')
title(\'t=3:sigmod核函数\')
这里我随机生成一个3次函数的随机数据，測试了几种不同svm里面的核函数：
由于我们的数据是由三次函数模拟生成的，所以能够看到。在这种情况下使用线性核t=0时候效果更好，然而实际情况下一般我们也不知道数据的分布函数，所以在选择核函数的时候还是须要多实验，找到最适合自己数据的核函数。
这里採用了交叉验证的方式自适应选择模型中重要的两个參数，须要注意的是參数的范围，不要太大。步长可能也须要控制。否则在数据量非常大的时候须要执行非常久。