對svmtrain函式的輸入引數和返回值進行說明

1. 訓練

libsvm函式用於對訓練集的資料進行訓練，得到訓練好的模型。

model = libsvmtrain(training_label_vector, training_instance_matrix ['libsvm_options']);

這個函式有三個引數，其中

-training_label_vector:訓練樣本的類標，如果有m個樣本，就是m x 1的矩陣（型別必須為double）。這裡可以是二分類和多分類，類標是（-1,1）、（1,2,3）或者其他任意用來表示不同的類別的數字，要轉成double型別。
-training_instance_matrix

:訓練樣本的特徵，如果有m個樣本，每個樣本特徵是n維，則為m x n的矩陣（型別必須為double）。當使用precomputed核時，[training_instance_matrix]由兩部分組成，第一列為長度m，從1-m的序號，第二列之後是訓練樣本核。例如：

model = svmtrain(trainlabel, ... #訓練樣本的標籤
            [(1 : size(trainfeat, 1))', trainfeat], ... #訓練樣本
            '-t 4 -q'); #引數

-libsvm_options:訓練的引數，在第3點詳細介紹。

2. 預測

libpredict函式用於對測試集的資料進行測試，還能對未知樣本進行預測。

[predicted_label, accuracy, decision_values/prob_estimates] 
　　　　= libsvmpredict(testing_label_vector, testing_instance_matrix, model ['libsvm_options']);

這個函式包括四個引數，其中

-testing_label_vector:測試樣本的類標，如果有m個樣本，就是m x 1的矩陣（型別必須為double）。如果類標未知，可以初始化為任意m x 1的double陣列。
-testing_instance_matrix

:測試樣本的特徵，如果有m個樣本，每個樣本特徵是n維，則為m x n的矩陣（型別必須為double）。
-model:使用libsvmtrain返回的模型
-libsvm_options:預測的引數，與訓練的引數形式一樣。

3. 訓練的引數

LIBSVM訓練時可以選擇的引數很多，包括：

-s svm型別：SVM設定型別（預設0)
　　　　0 — C-SVC； 1 –v-SVC； 2 – 一類SVM； 3 — e-SVR； 4 — v-SVR
-t 核函式型別：核函式設定型別（預設2）
　　　　0 – 線性核函式：u’v 
　　　　1 – 多項式核函式：（r*u’v + coef0)^degree
　　　　2 – RBF(徑向基)核函式：exp(-r|u-v|^2）
　　　　3 – sigmoid核函式：tanh(r*u’v + coef0)
-d degree：核函式中的degree設定（針對多項式核函式）（預設3）
-g r(gamma）：核函式中的gamma函式設定（針對多項式/rbf/sigmoid核函式）（預設1/k，k為總類別數)
-r coef0：核函式中的coef0設定（針對多項式/sigmoid核函式）（（預設0)
-c cost：設定C-SVC，e -SVR和v-SVR的引數（損失函式）（預設1）
-n nu：設定v-SVC，一類SVM和v- SVR的引數（預設0.5）
-p p：設定e -SVR 中損失函式p的值（預設0.1）
-m cachesize：設定cache記憶體大小，以MB為單位（預設40）
-e eps：設定允許的終止判據（預設0.001）
-h shrinking：是否使用啟發式，0或1（預設1）
-wi weight：設定第幾類的引數C為weight*C (C-SVC中的C) （預設1）
-v n: n-fold互動檢驗模式，n為fold的個數，必須大於等於2

以上這些引數設定可以按照SVM的型別和核函式所支援的引數進行任意組合，如果設定的引數在函式或SVM型別中沒有也不會產生影響，程式不會接受該引數；如果應有的引數設定不正確，引數將採用預設值。

4. 訓練返回的內容

libsvmtrain函式返回訓練好的SVM分類器模型，可以用來對未知的樣本進行預測。這個模型是一個結構體，包含以下成員：

-Parameters: 一個5 x 1的矩陣，從上到下依次表示：
　　　　-s SVM型別（預設0）；
　　　　-t 核函式型別（預設2）
　　　　-d 核函式中的degree設定(針對多項式核函式)(預設3)；
　　　　-g 核函式中的r(gamma）函式設定(針對多項式/rbf/sigmoid核函式) (預設類別數目的倒數)；
　　　　-r 核函式中的coef0設定(針對多項式/sigmoid核函式)((預設0)
-nr_class: 表示資料集中有多少類別，比如二分類時這個值即為2。
-totalSV: 表示支援向量的總數。
-rho: 決策函式wx+b中的常數項的相反數（-b）。
-Label: 表示資料集中類別的標籤，比如二分類常見的1和-1。
-ProbA: 使用-b引數時用於概率估計的數值，否則為空。
-ProbB: 使用-b引數時用於概率估計的數值，否則為空。
-nSV: 表示每類樣本的支援向量的數目，和Label的類別標籤對應。如Label=[1; -1],nSV=[63; 67]，則標籤為1的樣本有63個支援向量，標籤為-1的有67個。
-sv_coef: 表示每個支援向量在決策函式中的係數。
-SVs: 表示所有的支援向量，如果特徵是n維的，支援向量一共有m個，則為m x n的稀疏矩陣。

另外，如果在訓練中使用了-v引數進行交叉驗證時，返回的不是一個模型，而是交叉驗證的分類的正確率或者回歸的均方根誤差。

5. 預測返回的內容

libsvmtrain函式有三個返回值，不需要的值在Matlab可以用~進行代替。

-predicted_label：第一個返回值，表示樣本的預測類標號。
-accuracy：第二個返回值，一個3 x 1的陣列，表示分類的正確率、迴歸的均方根誤差、迴歸的平方相關係數。注意：當使用預訓練核時，並不能取accuracy(1,1)作為分類結果，應該取：mean(predicted_label==testlabel)
-decision_values/prob_estimates：第三個返回值，一個矩陣包含決策的值或者概率估計。對於n個預測樣本、k類的問題，如果指定“-b 1”引數，則n x k的矩陣，每一行表示這個樣本分別屬於每一個類別的概率；如果沒有指定“-b 1”引數，則為n x k*(k-1)/2的矩陣，每一行表示k(k-1)/2個二分類SVM的預測結果。