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

1 -- nu - SVC

2 -- one-class-SVM

3 -- e - SVR

4 -- nu-SVR

核函式（用引數 -t 來指定），-t 設定核函式型別（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，有一個引數。 -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。
其它引數：
-c cost：設定C- SVC、e - SVR、n - SVR中從懲罰係數C，預設值為1；
-wi weight：對各類樣本的懲罰係數C加權，預設值為1；
-v n：n折交叉驗證模式。
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 = 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 ，形成一個新的矩陣：

% 使用線性核函式 K(u,v) = (u' * v)
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

混合核函式
多項式核函式有良好的全域性效能，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。

原文：https://blog.csdn.net/xgf415/article/details/51417791