svmpredict参数意义
时间: 2023-08-07 11:02:42 浏览: 48
svmpredict函数的参数意义如下:
- predicted_label:预测的标签值,即分类结果。
- accuracy/mse:准确率(对于分类问题)或均方误差(对于回归问题)。
- decision_values/prob_estimates:决策值(对于二分类问题)或概率估计值(对于多分类问题)。
model.Parameters参数的意义如下:
- -s svm类型:SVM设置类型。0表示C-SVC,1表示v-SVC,2表示一类SVM,3表示e-SVR,4表示v-SVR。
- -t 核函数类型:核函数设置类型。0表示线性核函数,1表示多项式核函数,2表示RBF函数,3表示sigmoid函数。
- -d degree:核函数中的degree设置,针对多项式核函数。
- -g r(gama):核函数中的gamma函数设置,针对多项式/RBF/sigmoid核函数。
- -r coef0:核函数中的coef0设置,针对多项式/sigmoid核函数。
- -c cost:设置C-SVC,e-SVR和v-SVR的参数,即损失函数。
其中,#iter为迭代次数,nu是你选择的核函数类型的参数,obj为SVM文件转换为的二次规划求解得到的最小值,rho为判决函数的偏置项b,nSV为标准支持向量个数,nBSV为边界上的支持向量个数(a\[i\]=c),Total nSV为支持向量总个数(对于两类来说,因为只有一个分类模型Total nSV = nSV,但是对于多类,这个是各个分类模型的nSV之和)。\[2\]\[3\]
#### 引用[.reference_title]
- *1* [Libsvm svmtrain和svmpredict以及参数简介](https://blog.csdn.net/Aiden0503/article/details/101816072)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
- *2* [svmtrain和svmpredict参数](https://blog.csdn.net/liuyingying0418/article/details/51280086)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
- *3* [svmtrain和svmpredict](https://blog.csdn.net/qq_40771390/article/details/105509112)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]