支持向量機工具箱編譯

② libsvm工具箱和lssvm工具箱有什麼區別

1、這兩個意義完全不一樣，lssvm是最小二乘支持向量機，是一種演算法 libsvm是一個支持版向量機的工具集合，權一個庫；
2、LIBSVM是台灣大學林智仁(Lin Chih-Jen)副教授等開發設計的一個簡單、易於使用和快速有效的SVM模式識別與回歸的軟體包，不但提供了編譯好的可在Windows系列系統的執行文件，還提供了源代碼，方便改進、修改以及在其它操作系統上應用；
3、而LSSVM是支持向量機演算法的一種改進版本——即最小二乘支持向量機（Least Squares Support Vector Machine）。

③ 如何導入matlab工具箱

matlab導入工具箱，只需就工具箱所在的路徑添加到Set Path下即可。下面以matlab添加svm工具箱為例，說明其步驟。打開matlab，點擊HOME中的"Set Path"選項。在彈出的對話框中，選擇「Add with Subfolders...」。在彈出的文件夾選擇對話框中，選擇svm工具箱所在的目錄。選擇完成後，回到「Set Path」對話框，多了以下一些目錄路徑，然後點擊「Save」和「Close」即可。這里有個例子。今天費了好大的勁終於將SVM_SteveGunn添加至我的matlab工具箱內，並且已能成功運行，現在把在添加以及運行中出現的各種問題羅列如下，並一一解決：2、把新的工具箱拷貝到某個目錄（我的是D:\soft\matlab2011b\toolbox）。注意：你要是添加的很多個m文件，那就把這些m文件直接拷到再下一層你想要的工具箱的文件夾里例如，我要添加的是支持向量機工具箱，在剛才的文件夾下我已經有svm（支持向量機工具箱）文件夾了，但有的m文件還沒有，我就把新的m文件統統拷到D:\soft\matlab2011b\toolbox \svm目錄下了。如果你連某工具箱（你打算添加的）的文件夾都沒有，那就把文件夾和文件一起拷到D:\soft\matlab2011b\toolbox 下。先把工具箱保存到MATLAB安裝目錄的根目錄下面，然後運行matlab---->file---->set path---->add folder 然後把你的工具箱文件夾添加進去就可以了3、在matlab的菜單file下面的set path把它（ D:\soft\matlab2011b\toolbox \svm ）加上。4、 把路徑加進去後在file→Preferences→General的Toolbox Path Caching里點擊update Toolbox Path Cache更新一下。記得一定要更新！我就是沒更新，所以添加了路徑，一運行還是不行。後來更新了才行。2、在對svm工具箱進行使用時，發現了'qp.dll 不是有效的 Win32 應用程序 'mex在不同windows OS下編譯的結果，所以我們需要重新編譯一下qp.dllsteve gunn 的包下面有一個optimiser 文件夾，把current Diretory目錄改為optimiser目錄，例如E:\matlabProgram\SVM_SteveGunn\Optimiser，然後運行命令命令運行完畢後，你會發現原先的qp.dll變為qp.dll.old，還出現了qp.mexw32，我們把該文件改為qp.dll 復制到工具箱文件夾下。原先的工具箱文件qp.dll可以先改一下名字...這個是因為編譯器設置的問題，這里需要重新選擇設置編譯器，設置編譯器的方法：mex -setup(mex和-setup之間要有空格)，然後我選擇的VS2010，然後再繼續運行步驟2就成功了。這樣就添加完成了，你就可以調用工具箱中的函數了。我添加了個時頻分析的工具箱，就這樣操作，可以使用。

④ 支持向量機中所謂的支持向量究竟是什麼

在支持向量機中，距離超平面最近的且滿足一定條件的幾個訓練樣本點被稱為支持向量。

圖中有紅色和藍色兩類樣本點。黑色的實線就是最大間隔超平面。在這個例子中，A，B，C 三個點到該超平面的距離相等。

注意，這些點非常特別，這是因為超平面的參數完全由這三個點確定。該超平面和任何其他的點無關。如果改變其他點的位置，只要其他點不落入虛線上或者虛線內，那麼超平面的參數都不會改變。A，B，C 這三個點被稱為支持向量（support vectors）。

(4)支持向量機工具箱編譯擴展閱讀

一、應用

SVM在各領域的模式識別問題中有廣泛應用，包括人像識別（face recognition） 、文本分類（text categorization） 、筆跡識別（handwriting recognition） 、生物信息學 等。

二、SVM 的優點

1、高維度：SVM 可以高效的處理高維度特徵空間的分類問題。這在實際應用中意義深遠。比如，在文章分類問題中，單詞或是片語組成了特徵空間，特徵空間的維度高達 10 的 6 次方以上。

2、節省內存：盡管訓練樣本點可能有很多，但 SVM 做決策時，僅僅依賴有限個樣本（即支持向量），因此計算機內存僅僅需要儲存這些支持向量。這大大降低了內存佔用率。

3、應用廣泛：實際應用中的分類問題往往需要非線性的決策邊界。通過靈活運用核函數，SVM 可以容易的生成不同的非線性決策邊界，這保證它在不同問題上都可以有出色的表現（當然，對於不同的問題，如何選擇最適合的核函數是一個需要使用者解決的問題）。