svm训练数据库导入c08 SVM训练数据库导入c=08

支持向量机(SVM)中的参数C和gamma代表什么含义呢？

C是惩罚系数，理解为调节优化方向中两个指标（间隔大小，分类准确度）偏好的权重，即对误的宽容度，C越高，说明越不能容忍出现误,容易过拟合，C越小，容易欠拟合，C过大或过小，泛化能力变。

svm训练数据库导入c08 SVM训练数据库导入c=08

svm训练数据库导入c08 SVM训练数据库导入c=08

svm训练数据库导入c08 SVM训练数据库导入c=08

gamma是选择RBF函数作为kernel后，该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的个数影响训练与预测的速度。

扩展资料：

1、支持向量机（Support Vector Machine, SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器其决策边界是对学习样本求解的边距超平面。

2、SVM使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法进行非线性分类，是常见的核学习方法之一。

求python支持向量机数据设置标签代码

如果你想在Python中使用支持向量机对数据进行分类，你需要为每个数据点设置标签。

from sklearn import svm

# 定义训练数据和标签

X_train = [[0, 0], [1, 1]]

y_train = [0, 1]

# 定义测试数据

X_test = [[2, 2], [-1, -2]]

# 创建SVM分类器

clf = svm.SVC()

# 训练分类器

clf.fit(X_train, y_train)

# 预测测试数据的标签

y_pred = clf.predict(X_test)

# 打印结果

print(y_pred)

以下是Python代码示例，用于设置支持向量机的数据集和标签：

import numpy as np

from sklearn import svm

# 设置数据集和标签

X = np.array([[0, 0], [1, 1]])

y = np.array([0, 1])

# 使用线性核函数创建支持向量机模型

clf = svm.SVC(kernel='linear', C=1)

# 训练模型

clf.fit(X, y)

# 预测新的数据

print(clf.predict([[2, 2]]))

在上述代码中，首先使用numpy库创建了一个二维数组表示数据集X和一个一维数组表示标签y。然后使用svm库中的SVC函数创建了一个支持向量机模型clf，并且设置了模型的核函数为线性核函数(kernel='linear')，正则化参数为1(C=1)。接着使用fit函数训练模型，并使用predict函数预测新的数据。

请教libSVM中一类SVM训练及测试的参数设置问题

-s svm类型：SVM设置类型(默认0)

% 0 -- C-SVC

% 1 --v-SVC

% 2 – 一类SVM

% 3 -- e -SVR

% 4 -- v-SVR

% -t 核函数类型：核函数设置类型(默认2)

% 0 – 线性：u'v

% 1 – 多项式：(ru'v + coef0)^degree

% 2 – RBF函数：exp(-r|u-v|^2)

% 3 –sigmoid：tanh(ru'v + coef0)

% 4 -- precomd kernel (kernel values in training_instance_matrix)

% -d degree：核函数中的degree设置(针对多项式核函数)(默认3)

% -g r(gama)：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)(默认1/ k)

% -r coef0：核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)

% -c cost：设置C-SVC，e -SVR和v-SVR的参数(损失函数)(默认1)

% -n nu：设置v-SVC，一类SVM和v- SVR的参数(默认0.5)

% -p p：设置e -SVR 中损失函数p的值(默认0.1)

% -m cachesize：设置cache内存大小，以MB为单位(默认40)

% -e eps：设置允许的终止判据(默认0.001)

% -h shrinking：是否使用启发式，0或1(默认1)

如何把matlab中训练好的分类器模型（比如svm）放到android工程中？

近一直在用matlab和libsvm，发现libsvm库用起来还是很方便的，就是没有模型直接保存到文件和读取模型的matlab接口（C++的接口有）。由于有会用的OpenCV等C/C++库，所以数据交换比较麻烦。看了一下libsvm的svm.h、svm.cpp文件，发现有svm_se_model()，svm_load_model()等函数。于是乎用mex小做封装，写了两个matlab可以直接调用的接口。

SVM如何调节惩罚因子C并输出分类结果图像

CvSVMParams::CvSVMParams() :

svm_type(CvSVM::C_SVC), kernel_type(CvSVM::RBF), degree(0),

gamma(1), coef0(0), C(1), nu(0), p(0), class_weights(0)

SVM种类：CvSVM::C_SVC C_SVC该类型可以用于n-类分类问题 (n>=2)，其重要特征是它可以处理非完美分类

的问题 (及训练数据不可以完全的线性分割)。它是常被使用的SVM类型。

CvSVM::C_SVC - n(n>=2)分类器，允许用异常值惩罚因子C进行不完全分类。

CvSVM::NU_SVC - n类似然不完全分类的分类器。参数nu取代了c，其值在区间【0，1】中，nu越大，决策边界越平滑。

CvSVM::ONE_CLASS - 单分类器，所有的训练数据提取自同一个类里，然後SVM建立了一个分界线以分割该类在特征空间中所占区域和其它类在特征空间中所占区域。

CvSVM::EPS_SVR - 回归。 训练集中的特征向量和拟合出来的超平面的距离需要小于p。异常值惩罚因子C被采用。

CvSVM::NU_SVR - 回归；nu 代替了p

Kernel的种类：

CvSVM::LINEAR - 表示不需要进行映射，没有任何向映射至高维空间，线性区分（或回归）在原始特征空间中被完成，这是快的选择。 d(x,y) = x?y == (x,y)

CvSVM::POLY - 多项式核: d(x,y) = (gamma(x?y)+coef0)degree

CvSVM::RBF - 径向基，对于大多数情况都是一个较好的选择：d(x,y) = exp(-gamma|x-y|2)

CvSVM::SIGMOID - sigmoid函数被用作核函数: d(x,y) = tanh(gamma(x?y)+coef0)

CvSVM::RBF，貌似比 CvSVM::LINER 正确率高

degree：内核函数（POLY）的参数degree。

10.0（此次不使用）

gamma：内核函数（POLY/ RBF/ SIGMOID）的参数gamma。

8.0

coef0：内核函数（POLY/ SIGMOID）的参数coef0

1.0（此次不使用）

C： Cvalue – SVM类型（C_SVC/ EPS_SVR/ NU_SVR）的参数C。

10.0

nu： SVM类型（NU_SVC/ ONE_CLASS/ NU_SVR）的参数 nu。

0.5（此次不使用）

p：SVM类型（EPS_SVR）的参数 epsilon。

0.1（此次不使用）

class_weights： – C_SVC中的可选权重，赋给指定的类，乘以C以后变成 class_weight_si C。所以这些权重影响不同类别的错误分类惩罚项。权重越大，某一类别的误分类数据的惩罚项就越大。

term_crit: – SVM的迭代训练过程的中止条件，解决部分受约束二次问题。您可以指定的公和/或迭代次数。

然后对训练数据正规化处理，并放在CvMat型的数组里。

怎么利用svm对时间序列进行建模

SVM理论是在统计学习理论的基础上发展起来的,由于统计学习理论和SVM方法对有限样本情况下模式识别中的一些根本性的问题进行了系统的理论研究,很大程度上解决了以往的机器学习中模型的选择与过学习问题、非线性和维数灾难、局部极小点问题等。应用SVM进行回归预测的步骤具体如下:

1)实验规模的选取,决定训练集的数量、测试集的数量,以及两者的比例;2)预测参数的选取;3)对实验数据进行规范化处理;4)核函数的确定;5)核函数参数的确定。其中参数的选择对SVM的性能来说是十分重要的,对于本文的核函数使用RBF核函数,对于RBF核函数,SVM参数包括折衷参数C、核宽度C和不敏感参数E。目前SVM方法的参数、核函数的参数选择,在上都还没有形成统一的模式,也就是说SVM算法参数选择还只能是凭借经验、实验对比、大范围的搜寻和交叉检验等进行寻优。实际应用中经常为了方便,主观设定一个较小的正数作为E的取值,本文首先在C和C的一定范围内取多个值来训练,定下各个参数取值的大概范围,然后利用留一法来具体选定参数值

股价时间序列的SVM模型阶确定

股价数据是一个时间序列,从时间序列的特征分析得知,股价具有时滞、后效性,当天的股价不仅还与当天各种特征有关,还与前几天的股价及特征相关,所以有必要把前几天的股价和特征作为自变量来考虑。阶确定基本原理是从低阶开始对系统建模,然后逐步增加模型的阶数,并用F检验对这些模型进行判别来确定阶n,这样才能更客观反映股票价格的时滞特性。具体作步骤如下:定一多输入单输出回归模型有N个样本、一个因变量(股价)、m- 1个自变量(特征),由低阶到高阶递推地采用SVM模型去拟合系统(这儿的拓阶就是把昨天股价当做自变量,对特征同时拓阶),并依次对相邻两个SVM模型采用F检验的方法判断模型阶次增加是否合适[ 7]。对相邻两模型SVM ( n)和SVM ( n+ 1)而言,有统计量Fi为:Fi=QSVR (n)- QSVR( n+1)QSVR (n)1N - m n - (m -1)mi =1,2,,, n(1)它服从自由度分别为m和(N - m n - (m -1) )的F分布,其中QSVR (n)和QSVR( n+1)分别为SVR ( n)和QSVR( n+1)的剩余离平方和,若Fi< F(?,m, N-m n- (m-1) ),则SVM (n )模型是合适的;反之,继续拓展阶数。

前向浮动特征筛选

经过上述模型阶数的确定后,虽然确定了阶数为n的SVM模型,即n个特征,但其中某些特征对模型的预测精度有不利影响,本文采用基于SVM和留一法的前向浮动特征特征筛选算法选择对提高预测精度有利影响的特征。令B= {xj: j=1,2,,, k}表示特征全集, Am表示由B中的m个特征组成的特征子集,评价函数MSE (Am)和MSE (Ai) i =1,2,,, m -1的值都已知。本文采用的前向浮动特征筛选算法如下[9]:1)设置m =0, A0为空集,利用前向特征筛选方法寻找两个特征组成特征子集Am(m =2);2)使用前向特征筛选方法从未选择的特征子集(B -Am)中选择特征xm +1,得到子集Am+1;3)如果迭代次数达到预设值则退出,否则执行4);4)选择特征子集Am+1中不重要的特征。如果xm+1是不重要的特征即对任意jXm +1, J (Am +1- xm+1)FJ(Am +1- xj)成立,那么令m = m +1,返回2) (由于xm+1是不重要的特征,所以无需从Am中排除原有的特征);如果不重要的特征是xr( r =1,2,,, m )且MSE (Am+1- xr) < MSE (Am)成立,排除xr,令A'm= Am+1- xr;如果m =2,设置Am= A'm,J (Am) = J (A'm), ,返回2),否则转向步骤5);5)在特征子集A'm中寻找不重要的特征xs,如果MSE (A'm- xs)EM SE (Am-1),那么设置Am= A'm, MSE (Am)= MSE (A'm),返回2);如果M SE (A'm- xs) < M SE (Am -1),那么A'm从中排除xs,得到A'm-1= Am- xs,令m = m -1;如果m =2,设置Am= A'm, MSE (Am) = MSE (A'm)返回2),否则转向5)。后选择的特征用于后续建模预测。

预测评价指标及参比模型

训练结果评估阶段是对训练得出的模型推广能力进行验证,所谓推广能力是指经训练后的模型对未在训练集中出现的样本做出正确反应的能力。为了评价本文模型的优劣,选择BPANN、多变量自回归时间序列模型( CAR)和没有进行拓阶和特征筛选的SVM作为参比模型。采用均方误(mean squared error, MSE)和平均误百分率(mean ab-solute percentage error, MAPE)作为评价指标。MSE和MAP定义如下:M SE=E(yi- y^i)2n( 2)MAPE=E| yi- y^i| /yin( 3)其中yi为真值, y^i为预测值, n为预测样本数。如果得出M SE, MAPE结果较小,则说明该评估模型的推广能力强,或泛化能力强,否则就说明其推广能力较