关于libsvm回归预测的问题，基于matlab

1. 关于libsvm回归预测的问题，基于matlab

你在train和test相同的数据吗？

看你的情况应该是你最后一行的数据和其他数据的数量级差了很多吧。

2. 求助Matlab在使用libSVM作回归分析时如何获得回归函数

下载Libsvm、Python和Gnuplot。我用的版本分别是：Libsvm（2.8.1），Python（2.4），Gnuplot（3.7.3）。注意：Gnuplot一定要用3.7.3版，3.7.1版的有bug. 修改训练和测试数据的格式（可以自己用perl编个小程序）： 目标值 第一维特征编号

3. 使用java版本的libsvm对一组数据训练分类成1和0，在matlab或eclipse中哪种方便，如何使用，求高手指点

你用java版的为啥要在matlab里用， libsvm有matlab版本。你想用matlab就用那个就好了啊。

4. 求助Matlab在使用libSVM作回归分析时如何获得回归函数

model = svmtrain(data_train_output', data_train_input', '-s 4  -t 2 -c 3');
运行完，把model 保存，这就是模型了，以后就可以直接用了。

5. 求助Matlab在使用libSVM作回归分析时如何获得回归函数

求助Matlab在使用libSVM作回归分析时如何获得回归函数
model = svmtrain(data_train_output', data_train_input', '-s 4 -t 2 -c 3'); 运行完,把model 保存,这就是模型了,以后就可以直接用了。

6. matlab中使用libsvm如何实现参数寻优

可以利用libsvm工具箱中自带的k折交叉验证方法进行参数的寻优。

k折交叉验证的基本思想如下：
k个子集，每个子集均做一次测试集，其余的作为训练集。交叉验证重复k次，每次选择一个子集作为测试集，并将k次的平均交叉验证识别正确率作为结果。

libsvm工具箱中交叉验证的使用方法如下：
predict = trian(data_label, data_train, cmd);  % train_label表示训练输出样本数据；% data_train表示训练输入样本数据；% cmd就是训练参数的设置，如设置为cmd='-v 5'就表示进行5折交叉验证（该设置中省略了其他参数的设置，即保存默认设置）。

7. 如何使用MATLAB-LIBSVM

不需要安装，直接解压缩就行了。很方便。
使用方法，在README里面都写得很清楚了，其中matlab那个文件下也有README。
我在这里就我自己感兴趣的东西，列几条。我是在windows平台下的。
1） 编译
其实在windows文件夹下已经有了，也可以自己动手。
1. 运行matlab， 转到libsvm的解压目录下的matlab
2. 在matlab中输入mex -setup
接下来会选择一下东西，随意，自己看看就可以选了。
3. make
生成libsvmread.mexw32 libsvmwrite.mexw32 svmpredict.mexw32 svmtrain.mexw32 一共四个文件。
使用方法：
只要将生成的四个文件copy到一个matlab运行目录下就行了。
举个例子吧，以解压目录下的heart_scale数据为例好了。
close all
clear all
clc
[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');
model = svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07');
[predict_label, accuracy, dec_values] = svmpredict(heart_scale_label, heart_scale_inst, model);
至于具体的借口，还是看README吧，很清楚的。

8. 如何在matlab中使用libsvm

在MALTAB使用SVM库的方式为：
SVMstruct = svmtrain(data,groups,'Kernel_Function','rbf');
其中data是样本集，groups是组集，Kernel_Function是核函数的字符串，后面的rbf表示选择的是径向基函数（也可以自定义成其他的）
一般说来你需要收集样本集和所需要分的组，然后选择一个合适的核函数，然后使用svmtrain来训练支持向量机。训练完毕后使用svmclassify分类。
详细信息可以在Matlab command window输入doc SVM查看。