SVM实现多分类的程序基础工作（二）——通过一个简单libsvm例子迈入libsvm学习的大门

在SVM实现多分类的程序基础工作（一）中概要的介绍了为何要安装libsvm，那安装了libsvm之后要干嘛呢？给个例子简单的说明libsvm应用的方便性。我们用libsvm自带的测试数据heart_scale来进行训练：

%% HowToClassifyUsingLibsvm by faruto @ faruto's Studio~
%% a litte clean work

tic;

close all;

clear;

clc;

format compact;

%%

% 首先载入数据

load heart_scale;

data = heart_scale_inst;

label = heart_scale_label;

% 选取前200个数据作为训练集合，后70个数据作为测试集合

ind = 200;

traindata = data(1:ind,:);

trainlabel = label(1:ind,:);

testdata = data(ind+1:end,:);

testlabel = label(ind+1:end,:);

% 利用训练集合建立分类模型

model = svmtrain(trainlabel,traindata,'-s 0 -t 2 -c 1.2 -g 2.8');

%参数输入的意义：
　% -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)

% -g r(gama)：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)

% -c cost：设置C-SVC，e -SVR和v-SVR的参数(损失函数)(默认1)

% 分类模型model解密

model

Parameters = model.Parameters

Label = model.Label

nr_class = model.nr_class

totalSV = model.totalSV

nSV = model.nSV

% 利用建立的模型看其在训练集合上的分类效果

[ptrain,acctrain] = svmpredict(trainlabel,traindata,model);

% 预测测试集合标签

[ptest,acctest] = svmpredict(testlabel,testdata,model);

toc;

把此程序放入matlab新建的.m文件运行，那么你将会看到如下结果：
model =

Parameters: [5x1 double]
nr_class: 2
totalSV: 197
rho: 0.0583
Label: [2x1 double]
ProbA: []
ProbB: []
nSV: [2x1 double]
sv_coef: [197x1 double]
SVs: [197x13 double]
Parameters =
0
2.0000
3.0000
2.8000
0
Label =
1
-1
nr_class =
2
totalSV =
197
nSV =
89
108
Accuracy = 99.5% (199/200) (classification)
Accuracy = 68.5714% (48/70) (classification)
Elapsed time is 0.209811 seconds.

至此，我们完成了最简单的libsvm分类操作，从上来看使用libsvm进行分类很简单，只需要有属性矩阵和标签，然后就可以建立分类模型（model），然后利用得到的这个model进行分类预测了。上例中的属性矩阵就相当于libsvm自带的测试数据heart_scale中的heart_scale_inst；而标签就是libsvm自带的测试数据heart_scale中的
heart_scale_label。通过此实验更进一步的了解了libsvm工具的基本用法，这为libsvm的进一步学习打下了基础。