一、libsvm訓練函式使用如下：
1
model = svmtrain(trainlabel,traindata,'-s 0 -t 2 -c 1.2 -g 2.8')
trainlabel：訓練樣本標籤
traindata：訓練樣本資料集，行向量為樣本值
1、引數-s，表示svm型別，預設值為0，可選型別有：
0 -- c- svc
1 -- nu - svc
2 -- one-class-svm
3 -- e - svr
4 -- nu-svr
2、引數-t，表示核函式型別，預設為2，可選核函式有：
0 -- 線性核函式: k(u,v)=u'*v
1 -- 多項式核函式: k(u,v)=(gamma*u'*v + coef0)^d
2 -- rbf核函式: k(u,v)=exp(-gamma*||u-v||^2)
3 -- sigmoid核函式: k(u,v)=tanh(gamma*u'*v + coef0)
4 -- 自定義核函式
u、v為資料集中的兩個樣本
核函式對應引數：
線性核函式，沒有專門需要設定的引數
多項式核函式，有三個引數。-d用來設定多項式核函式的最高此項次數，也就是公式中的d，預設值是3 。-g用來設定核函式中的gamma引數設定，也就是公式中的gamma，預設值是1/k（k是類別數）。-r用來設定核函式中的coef0，預設值是0
rbf核函式，有乙個引數。-g用來設定核函式中的gamma引數設定，預設值是1/k（k是類別數）。
sigmoid核函式，有兩個引數。-g用來設定核函式中的gamma引數設定，預設值是1/k（k是類別數）。-r用來設定核函式中的coef0，預設值是0。
3、引數-c cost，表示懲罰係數，設定c- svc、e - svr、n - svr中從懲罰係數c，預設值為1。
4、引數-wi weight，對各類樣本的懲罰係數c加權，預設值為1。
5、引數-v n，n折交叉驗證模式。
二、自定義核函式
使用-t 4引數時，可以使用自定義核函式，根據自定義核函式求出核矩陣，自定義核函式使用方法如下：比如線性核函式 是 k(u,v)=u'*v，設訓練集是train_data，設訓練集有150個樣本 , 測試集是test_data，設測試集有120個樣本，則
訓練集的核矩陣： ktrain = train_data*train_data'
測試集的核矩陣： ktest = test_data*train_data'
想要使用-t 4引數還需要把樣本的序列號放在核矩陣前面 ，形成乙個新的矩陣：
% 使用線性核函式 k(u,v) = (u' * v)
1
2
3
4
5
6
ktrain = train_data * train_data'; %求訓練集核矩陣
ktrain = [(1:150)',ktrain]; %樣本的序列號放在核矩陣前面
model = svmtrain(train_label, ktrain,'-t 4'); % 輸入 ktrain
ktest = test_data*train_data'; %求測試集核矩陣
ktest = [(1:120)', ktest]; %樣本的序列號放在核矩陣前面
[predict_label, accuracy, p1] = svmpredict(test_label,ktest,model); % 輸入ktest
三、混合核函式
多項式核函式有良好的全域性性能，具有很強的外推能力，並且多項式的次數越低，其外推能力越強。而gauss徑向基核函式則是區域性性強，其內推能力隨著引數的減小而減弱。通過把兩類核函式結合起來，發揮它們各自的優點，得到學習能力和推廣性都很強，兼具良好的外推和內推能力的核函式，利用多項式核函式和徑向基核函式構建混合核函式分類模型，表示式為：
式中：ｋpoly為多項式核函式；ｋrbf為徑向基核函式；λ∈(0,1)。當λ較大時，混合核函式的效能表現得優良一些。
LIBSVM使用與自定義核函式
libsvm訓練函式使用如下 model svmtrain trainlabel,traindata,s 0 t 2 c 1.2 g 2.8 trainlabel 訓練樣本標籤 traindata 訓練樣本資料集，行向量為樣本值 svm型別，用引數 s 設定，預設值為0，可選型別有 0 c svc ...
LIBSVM中如何自定義核函式
自定義核函式 使用 t 4引數時，可以使用自定義核函式，根據自定義核函式求出核矩陣，自定義核函式使用方法如下 比如線性核函式 是 k u,v u v，設訓練集是train data，設訓練集有150個樣本 測試集是test data，設測試集有120個樣本，則 訓練集的核矩陣 ktrain trai...
自定義徑向基核函式
根據公式 在自定義svm的徑向基核函式時，需要描述其核矩陣，如下所示 function kernel matrix rbf kernel x1,x2,gamma 在訓練時，x1,x2均為訓練集，x1為測試樣本，即在 時，x1為測試集,x2為支援向量訓練集 len1 size x1,1 測試集樣本數 ...