%% 自定義的三個向量
x=[3 3;4 3; 1 1];
y=[1;1;-1];
[m,n]=size(x);
hold on;
axis([0 5 0 4]); % axis([xmin,xmax,ymin,ymax])
set(gca,'xtick',[0:1:5]) %改變x軸座標間隔顯示
for i=1:m
if y(i)==1
plot(x(i,1),x(i,2),'+');
else
plot(x(i,1),x(i,2),'o');
endend
%% 用libsvm訓練樣本，並進行正確率分析
model = svmtrain(y, x,'-s 0 -t 0'); %訓練svm模型
[predict_label]=svmpredict(y,x,model);%用訓練好的svm模型，**資料
經過svmtrain後，得到svm的模型model。這個模型的幾個主要引數及意義：
rho：表示截距b，符號與一般教材上的公式相反。
sv_indices：表示求得的支援向量的索引
sv_coef：表示對應支援向量的係數ai，而且這些係數是已經和對應的標籤相乘過的。
svs：表示具體的支援向量
有了這些資訊後，可自行做**（當然直接用svmpredict更簡單）
做線性**時，假設查詢點為x,**結果=sum(ai*xi.*x)-rho，而不是sum(ai*yi*xi.*x)-rho
MATLAB下使用libsvm （三）
編寫程式的基本步驟 1 將資料中心化，是每一組特徵中心化，而不是每個樣本的資料中心化哦。原因就是之後要進行pca降維，這個過程之前如果不將資料中心化，那麼之後測試資料集對映出來的點就不對啦 具體看圖啦 至於是否要歸一化，這個並不是必要的步驟，所以看心情咯 2 pca降維，這個最好是以矩陣短的那一邊進...
Libsvm在matlab下的安裝
2 解壓後將整個資料夾加到matlab的current目錄 3 開啟到matlab這個資料夾 4 如果沒有配置matlab的c 編譯器，需要配置一下，matlab自帶的是沒有c 編譯器的，所以沒法編譯libsvm的cpp檔案。根據matlab的版本，選擇好編譯器，怎麼看支援哪些編譯器呢？在選擇編譯器...
在matlab環境下LIBSVM的demo
2 在matlab環境下用mex setup指令，設定matlab預設編譯器，我選擇是vs2010 3 解壓後libsvm後，在ibsvm 3.20 matlab路徑下執行make.m，把c檔案生成mexw64或mexw32，供matlab呼叫 4 現在可以利用libsvm測試，回到上乙個路徑ibs...