参数说明

1、svm_train()

用法： svmtrain [options] training_set_file [model_file]

举个栗子

其中，options为操作参数，可用的选项即表示的涵义如下所示:

-s设置svm类型：

0 – C-SVC

1 – v-SVC

2 – one-class-SVM

3 –ε-SVR

4 – n - SVR

-t设置核函数类型，默认值为2

0 --线性核：u'*v

1 --多项式核：(g*u'*v+coef0)degree

2 -- RBF核：exp(-γ*||u-v||2)

3 -- sigmoid核：tanh(γ*u'*v+coef0)

-d degree:设置多项式核中degree的值，默认为3

-gγ:设置核函数中γ的值，默认为1/k，k为特征（或者说是属性）数；

-r coef 0:设置核函数中的coef 0，默认值为0；

-c cost：设置C-SVC、ε-SVR、n - SVR中从惩罚系数C，默认值为1；

-n v：设置v-SVC、one-class-SVM与n - SVR中参数n，默认值0.5；

-pε：设置v-SVR的损失函数中的e，默认值为0.1；

-m cachesize：设置cache内存大小，以MB为单位，默认值为40；

-eε：设置终止准则中的可容忍偏差，默认值为0.001；

-h shrinking：是否使用启发式，可选值为0或1，默认值为1；

-b概率估计：是否计算SVC或SVR的概率估计，可选值0或1，默认0；

-wi weight：对各类样本的惩罚系数C加权，默认值为1；

-v n：n折交叉验证模式；

model_file：可选项，为要保存的结果文件，称为模型文件，以便在预测时使用。

默认情况下，只需要给函数提供一个样本文件名就可以了，但为了能保存结果，还是要提供一个结果文件名，比如:test.model,则命令为：

svmtrain test.txt test.model

2、svm_train()运行控制台输出

运行svm_train()后，结果如下图

默认情况

#iter为迭代次数

nu是你选择的核函数类型的参数

obj为SVM文件转换为的二次规划求解得到的最小值（也有说对偶SVM问题的最佳目标值）

rho为判决函数的偏置项b

nSV为标准支持向量个数(0<a[i]<c)

nBSV为边界上的支持向量个数(a[i]=c)

Total nSV为支持向量总个数（对于两类来说，因为只有一个分类模型Total nSV = nSV，但是对于多类，这个是各个分类模型的nSV之和）

* 什么是标准支持向量个数呢，就是这些特征中泛化能力最强的部分，鲁棒性最强。换句话说就是代表能力最强的。因此，它的占比不能太高，一般不高于80%，如高于这个值，则需调整特征的提取。

3、train-model文件

svm_type c_svc //所选择的svm类型，默认为c_svc

kernel_type rbf  //训练采用的核函数类型，此处为RBF核

gamma 0.0769231  //RBF核的参数γ

nr_class 2        //类别数，此处为两分类问题

total_sv 132      //支持向量总个数

rho 0.424462      //判决函数的偏置项b

label 1 -1        //原始文件中的类别标识

nr_sv 64 68      //每个类的支持向量机的个数

SV                //以下为各个类的权系数及相应的支持向量

1 1:0.166667 2:1 3:-0.333333 … 10:-0.903226 11:-1 12:-1 13:1

0.5104832128985164 1:0.125 2:1 3:0.333333 … 10:-0.806452 12:-0.333333 13:0.5

………..

-1 1:-0.375 2:1 3:-0.333333…. 10:-1 11:-1 12:-1 13:1

-1 1:0.166667 2:1 3:1 …. 10:-0.870968 12:-1 13:0.5