svmtrain函式：
model= svmtrain(train_label, train_matrix, [『libsvm_options』]);
其中：train_label表示訓練集的標籤。
train_matrix表示訓練集的屬性矩陣。
libsvm_options是需要設定的一系列引數，各個引數可參見help svmtrain。如果用回歸的話，其中的-s引數值應為3。
libsvm在訓練model的時候，有如下引數要設定，當然有預設的引數，但是在具體應用方面效果會大大折扣。
libsvm options：可用的選項即表示的涵義如下
> -s svm型別：svm設定型別(預設0)
0 -- c-svc
1 -- v-svc
2 -- 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：u'v
1 –多項式：(r*u'v + coef0)^degree
2 – rbf函式：exp(-gamma|u-v|^2)
3 –sigmoid：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(gama)：核函式中的gamma函式設定(針對多項式/rbf/sigmoid核函式)(預設1/ k)
-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
其中-g選項中的k是指輸入資料中的屬性數。option -v 隨機地將資料剖分為n部
當構建完成model後，還要為上述引數選擇合適的值，
方法主要有gridsearch,其他的感覺不常用，gridsearch說白了就是窮舉。
model:是訓練得到的模型，是乙個結構體（如果引數中用到-v，得到的就不是結構體，對於分類問題，得到的是交叉檢驗下的平均分類準確率；對於回歸問題，得到的是均方誤差）。
parameters: [5x1 double] %結構體變數，依次儲存的是 -s -t -d -g -r等引數
nr_class: 4 %分類的個數
totalsv: 39 %總的支援向量個數
rho: [6x1 double] %b=-model.rho
label: [4x1 double]
proba:
probb:
nsv: [4x1 double] %每一類的支援向量的個數
sv_coef: [39x3 double] %支援向量的係數
svs: [39x12 double] %具體的支援向量，以稀疏矩陣的形式儲存
w*x+b=0 其中
w=model.svs'*model.sv_coef
b=-model.rho
w是高維空間中分類 超平面的法向量，b是常數項。
optimization finished,
#iter = 162
nu = 0.431029
obj = -100.877288,
rho = 0.424462
nsv = 132,
nbsv = 107
total nsv = 132
其中，#iter為迭代次數，
nu是你選擇的核函式型別的引數，
obj為svm檔案轉換為的二次規劃求解得到的最小值,
rho為判決函式的偏置項b，
nsv為標準支援向量個數，
nbsv為邊界上的支援向量個數(a[i]=c)，
total nsv為支援向量總個數（對於兩類來說，因為只有乙個分類模型total nsv = nsv，
但是對於多類，這個是各個分類模型的nsv之和）。
(1) 直接將訓練集合和測試集合簡單歸一化到[0,1]區間，可能導致實驗結果很差。
(2) 如果樣本的特徵數非常多，那麼就不必使用rbf核將樣本對映到高維空間。
a) 在特徵數非常多的情況下，使用線性核，結果已經非常好，並且只需要選擇引數c即可。
b) 雖然說rbf核的結果至少比線性核好，前提下搜尋整個的空間。
(3) 樣本數《特徵數的情況：
a) 推薦使用線性核，可以達到與rbf同樣的效能。
(4) 樣本數和特徵數都非常多：推薦使用liblinear，更少的時間和記憶體，可比的準確率。
(5) 樣本數》特徵數：如果想使用線性模型，可以使用liblinear，並且使用-s 2引數
svm 怎樣能得到好的結果
對資料做歸一化（****** scaling）
應用 rbf kernel
用cross-validation和grid-search 得到最優的c和g
用得到的最優c和g訓練訓練資料測試
關於svm的c以及核函式引數設定----------------------
參考自：對支援向量機幾種常用核函式和引數選擇的比較研究
c一般可以選擇為：10^t , t=- 4…4就是0.0001 到10000
選擇的越大，表示對錯誤例懲罰程度越大，可能會導致模型過擬合
在libsvm中-t用來指定核函式型別（預設值是2）。
0）線性核函式
（無其他引數）
1）多項式核函式
（重點是階數的選擇，即d，一般選擇1-11：1 3 5 7 9 11，也可以選擇2,4，6…）
2）rbf核函式
（徑向基rbf核心，exp，其中均方差反映了資料波動的大小。
引數通常可選擇下面幾個數的倒數：0.1 0.2 0.4 0.6 0.8 1.6 3.2 6.4 12.8，預設的是類別數的倒數，即1/k，2分類的話就是0.5）
3）sigmoid核函式 又叫做s形核心
兩個引數g以及r：g一般可選1 2 3 4，r選0.2 0.4 0.60.8 1
4）自定義核函式
常用的四種核函式對應的公式如下：
與核函式相對應的libsvm引數：
1）對於線性核函式，沒有專門需要設定的引數
2）對於多項式核函式，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，也就是公式中的第乙個r(gamma)，預設值是1/k（k是類別數）。-r用來設定核函式中的coef0，也就是公式中的第二個r，預設值是0。
3）對於rbf核函式，有乙個引數。-g用來設定核函式中的gamma引數設定，也就是公式中的第乙個r(gamma)，預設值是1/k（k是類別數）。
4）對於sigmoid核函式，有兩個引數。-g用來設定核函式中的gamma引數設定，也就是公式中的第乙個r(gamma)，預設值是1/k（k是類別數）。-r用來設定核函式中的coef0，也就是公式中的第二個r，預設值是0。
svmtrain函式引數
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 u v 1 多項式 r u v coef0 degree 2 rbf函式 exp r u v 2 3 sigmoid tanh r...
svmtrain的返回引數
parameters 乙個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 ...
svmtrain返回值的引數解釋
parameters 5x1 double 結構體變數，依次儲存的是 s t d g r等引數 nr class 1025 分類的個數 totalsv 3015 總的支援向量個數 rho 5151x1 double b model.rho label 102x1 double proba probb...