svm()

svm(X,Y,param)

对于训练数据集自变量X和因变量Y,使用参数param进行训练，返回训练结果即模型R。

svm(R,Xpre)

根据模型R，在预测集XPre上进行预测，返回预测结果。

svm(X,Y,param,XPre)

训练连接预测。输入训练数据自变量X,因变量Y,模型参数，预测数据XPre，联动执行模型训练和预测，返回预测结果。

X

序列，训练集自变量。

Y

序列，训练集目标变量。

param

序列，支持向量机参数集合。

R

序列，语法svm(X,Y,param)的返回结果。

XPre

序列，预测集数据。

位置

参数说明

可选值

可选值说明

位置1

svm_type：整数，默认0；表示可选模型种类

0

C-SVC 分类算法

1

nu-SVC 分类算法

3

epsilon-SVR 回归算法

4

nu-SVR 回归算法

位置2

kernel_type：整数，默认2；表示 核函数，可选

0

linear: u'*v 线性核函数

1

polynomial: (gamma*u'*v + coef0)^degree 多项式核函数

2

radial basis function: exp(-gamma*|u-v|^2) 高斯核函数/径向基核函数

3

sigmoid: tanh(gamma*u'*v + coef0) sigmoid核函数

位置3

degree：整数，默认3；多项式核函数的级数（‘poly’），如果是其他核函数，此参数会被忽略

位置4

cache_size：浮点数，默认100；设置kernel缓存大小（以 MB 为单位）

位置5

eps：浮点数，默认0.001；误差精度,终止准则中的可容忍偏差

位置6

C：浮点数，默认1；正则化参数，C-SVC、ε-SVR、nu-SVR中惩罚系数C

位置7

gamma：浮点数，默认1/特征数；核函数中gamma值，poly/rbf/sigmoid的核系数

位置8

coef0：浮点数，默认0；核函数中的coef0，poly/sigmoid相关

位置9

nu：浮点数，默认0.5；训练误差部分的上限和支持向量部分的下限，取值区间在(0,1)内。nu-SVC与nu-SVR中设置

位置10

p：浮点数，默认0.1；表示epsipon，在 epsilon-SVR 的损失函数中设置 epsilon

位置11

nr_weight：整数；分类数或0，用于修改某些类的惩罚权重，SVC中使用。输入0表示不修改任何类别的惩罚权重；输入分类数表示按照各类别在总体样本中的比重来修改惩罚权重

位置12

shrinking：Boolean值0或1，默认1；是否使用收缩启发式

位置13

probability：Boolean值0或1，默认0；是否启用概率估计

A

1

[[17.6,17.7,17.7,17.7],[17.7,17.7,17.7,17.8],[17.7,17.7,17.8,17.8],[17.7,17.8,17.8,17.9],

[17.8,17.8,17.9,18],[17.8,17.9,18,18.1],[17.9,18,18.1,18.2],[18,18.1,18.2,18.4],[18.1,18.2,18.4,18.6],

[18.2,18.4,18.6,18.7],[18.4,18.6,18.7,18.9],[18.6,18.7,18.9,19.1]]

训练集自变量X。

2

[17.8,17.8,17.9,18,18.1,18.2,18.4,18.6,18.7,18.9,19.1,19.3]

训练集目标变量Y。

3

[3,0,3,100,0.00001,1,0.25,0,0.5,0.1,1,1,1]

设置参数param。

4

[[18.7,18.9,19.1,19.3],[18.9,19.1,19.3,19.6],[19.1,19.3,19.6,19.9],[19.3,19.6,19.9,20.2],

[19.6,19.9,20.2,20.6],[19.9,20.2,20.6,21],[20.2,20.6,21,21.5]]

预测集XPre。

5

=svm(A1,A2,A3)

使用A3中的参数，在训练集上进行训练，返回训练结果R，R中成员值依次为：决策函数中支持向量的系数、每个类别的标签、类别数、总支持向量的数量、每个类别的支持向量数量、决策函数中的常数、支持向量、训练时的参数param。

6

=svm(A5,A4)

根据训练结果R，在预测集上进行预测，返回预测结果：

7

=svm(A1,A2,A3,A4)

使用A3的参数，在训练集上进行训练，并在预测集上进行预测，返回预测结果。