使用LIBSVM工具实现样本分类预测——MatLab

准备工作：

1. https://www.csie.ntu.edu.tw/~cjlin/libsvm/，下载LIBSVM；（LIBSVM工具相较于MATLAB自带的工具：1）.支持多分类及回归（‘-s 0’ ,‘-s 1' -> 多分类'-s 3'；'-s 4' -> 回归；'-s 2' -> one-class SVM），matlab自带的仅支持二分类，且不支持回归2）.支持核函数种类多样（linear;polynomial;RBF(radial basis function);sigmoid;precomputed kernel）3）.解决算法是SMO（序列最小化），matlab自带的三种SMO，QP（经典二次规划），LS；4）.能够调节RBF核函数的参数，matlab自带的不能调节）
2. 将libsvm文件夹设为matlab搜索路径，并进入.../libsvm-3.xx/matlab目录；
3. 运行mex -setup，选择编译器（前提是要安装有C++编译器，如VS2010）；
4. 命令窗口输入：make，生成四个文件：libsvmread.mexw32，libsvmwrite.mexw32，svmtrain.mexw32，svmpredict.mexw32（原程序是C++编译的，这四个文件是编译后包含了能够在matlab环境下运行的算法）；

接下来便可以进行数据分类了：

1. 在.../libsvm3.xx目录下运行：[label,inst] = libsvmread('heart_scale')（’heart_scale‘默认在libsvm主目录下，且libsvm要求有参数接受读取的结果，读取结果为：inst:270*13\label:270*1）
2. 运行：model = svmtrain(label,inst)（训练函数，由于matlab自带有svmtrain函数，因此需要进入matlab/toolbox/搜索svmtrain.m，将其改为svmtrain_matlab.m，否则会调用自带的svmtrain函数）
3. 其中：model.Paramaters = [-s,-t,-d,-g,-r]（model的Paramaters输出了参数组）
4. 运行：[predict,accuracy,probabilityEstimates] = svmpredict(label,inst,model)（利用模型预测所有样本，libsvm要求所有接受参数都填写，否则无输出）
5. accuracy是一个3*1矩阵，

   86.6666666666667->准确度
   0.533333333333333->MSE(mean squared error)
   0.532639204545455->r^2(squared correlation coefficient)