Ⅰ 如何向MATLAB中添加新工具箱
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：
1、將下載的svm工具箱添加至matlab安裝目錄下
1、單獨下載的工具箱
2、把新的工具箱拷貝到某個目錄（我的是D:softmatlab2011b oolbox）。
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:softmatlab2011b oolbox 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:softmatlab2011b oolbox 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:softmatlab2011b oolbox 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 '
問題描述：
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.dll
解決方案：
steve 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:matlabProgramSVM_SteveGunnOptimiser，然後運行命令
>> mex -v qp.c pr_loqo.c
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...
3、我在運行第二步時發現了『D:SOFTMATLAB~3BINMEX.PL: Error: Compile of 'qp.c' failed. Error using mex (line 206)
Unable to complete successfully.
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。
Ⅱ 如何把數據輸入進支持向量機Matlab工具箱1.0 - Epsilon-SVR, Epsilon回歸演算法中
沒想到，我也要做這方面的工作，這段時間，一起研究下。。
Ⅲ 有人知道怎麼把SVDD工具箱裝到libsvm嗎
1 先下載 libsvm-svdd-3.18.zip和 libsvm-3.18.zip，並解壓得到文件夾 libsvm-svdd-3.18和libsvm-3.18；
2 將文件夾 libsvm-svdd-3.18根目錄下的svm.cpp、svm.h和svm-train.c復制到 libsvm-3.18根目錄下並覆蓋回原來的這3個文件；將答文件夾 libsvm-svdd-3.18中 matlab里的文件 svmtrain.c 復制到 libsvm-3.18中的matlab文件夾中覆蓋原來的c文件；
3 安裝 libsvm-3.18，這個教程網上一大堆，主要是兩步：mex -setup和 make；
4 測試安裝是否成功。
Ⅳ 怎麼在matlab中添加新的工具箱及遇到的問題解決
1、將下載的工具箱添加至matlab安裝目錄下
1、單獨下載的工具箱
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。
Ⅳ matlab 支持向量機工具箱怎麼用
有的工具箱有用戶交互界面，可以直接在MATLAB的啟動菜單下進入；
有的沒有用戶界面，但是有相關的程序（或者說函數）供調用；即使有界面的工具箱，也是有相應的函數的。
可以從幫助（Help）中查詢MATLAB的工具箱的詳細使用方法。
幫助裡面對主題進行了分類，進入工具箱那一類即可
Ⅵ 最小二乘支持向量機工具箱如何使用
用LIBSVM工具箱抄，它是由台灣襲大學林智仁（Chih-Jen Lin）等開發和設計的，它是一個簡單、易於使用並且快速有效的SVM軟體工具包，可以解決C-支持向量分類（C-SVC）、v-支持向量分類（v-SVC）、分布估計（one-class SVM）、e-支持向量回歸（e-SVR）
Ⅶ 如何在MATLAB中添加SVM函數工具箱
1、將下載的svm工具箱添加至matlab安裝目錄下
1、單獨下載的工具箱
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。
Ⅷ matlab支持向量機工具箱怎麼使用
有的工具箱有用戶交互界面，可以直接在MATLAB的啟動菜單下進入；
有的沒有版用戶界面，但是有相關的程序（權或者說函數）供調用；即使有界面的工具箱，也是有相應的函數的。
可以從幫助（Help）中查詢MATLAB的工具箱的詳細使用方法。
幫助裡面對主題進行了分類，進入工具箱那一類即可
Ⅸ 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）。
Ⅹ 哪位朋友能介紹一下支持向量機工具libsvm的用法
LIBSVM的簡單介紹 2006-09-20 15:59:48
大 中 小
1. LIBSVM 軟體包簡介
LIBSVM 是台灣大學林智仁(Chih-Jen Lin)博士等開發設計的一個操作簡單、易於使用、快速有效的通用SVM 軟體包，可以解決分類問題（包括C- SVC、n - SVC ）、回歸問題（包括e - SVR、n - SVR ）以及分布估計（one-class-SVM ）等問題，提供了線性、多項式、徑向基和S形函數四種常用的核函數供選擇，可以有效地解決多類問題、交叉驗證選擇參數、對不平衡樣本加權、多類問題的概率估計等。LIBSVM 是一個開源的軟體包，需要者都可以免費的從作者的個人主頁http://www.csie.ntu.e.tw/~cjlin/
處獲得。他不僅提供了LIBSVM的C++語言的演算法源代碼，還提供了Python、Java、R、MATLAB、Perl、Ruby、LabVIEW以及C#.net 等各種語言的介面，可以方便的在Windows 或UNIX 平台下使用。另外還提供了WINDOWS 平台下的可視化操作工具SVM-toy，並且在進行模型參數選擇時可以繪制出交叉驗證精度的等高線圖。
2. LIBSVM 使用方法簡介
LibSVM是以源代碼和可執行文件兩種方式給出的。如果是Windows系列操作系統，可以直接使用軟體包提供的程序，也可以進行修改編譯；如果是Unix類系統，必須自己編譯。
LIBSVM 在給出源代碼的同時還提供了Windows操作系統下的可執行文件，包括：進行支持向量機訓練的svmtrain.exe；根據已獲得的支持向量機模型對數據集進行預測的svmpredict.exe；以及對訓練數據與測試數據進行簡單縮放操作的svmscale.exe。它們都可以直接在DOS 環境中使用。如果下載的包中只有C++的源代碼，則也可以自己在VC等軟體上編譯生成可執行文件。
3. LIBSVM 使用的一般步驟是：
1） 按照LIBSVM軟體包所要求的格式准備數據集；
2） 對數據進行簡單的縮放操作；
3） 考慮選用RBF 核函數；
4） 採用交叉驗證選擇最佳參數C與g ；
5） 採用最佳參數C與g 對整個訓練集進行訓練獲取支持向量機模型；
6） 利用獲取的模型進行測試與預測。
4. LIBSVM使用的數據格式
1）訓練數據和檢驗數據文件格式如下：
<label> <index1>:<value1> <index2>:<value2> ...
其中<label> 是訓練數據集的目標值，對於分類，它是標識某類的整數(支持多個類)；對於回歸，是任意實數。<index> 是以1開始的整數，可以是不連續的；<value>為實數，也就是我們常說的自變數。檢驗數據文件中的label只用於計算準確度或誤差，如果它是未知的，只需用一個數填寫這一欄，也可以空著不填。
在程序包中，還包括有一個訓練數據實例：heart_scale，方便參考數據文件格式以及練習使用軟體。可以編寫小程序，將自己常用的數據格式轉換成這種格式
2）Svmtrain和Svmpredict的用法
LIBSVM軟體提供的各種功能都是DOS命令執行方式。我們主要用到兩個程序，svmtrain(訓練建模)和svmpredict(使用已有的模型進行預測)，下面分別對這兩個程序的使用方法、各參數的意義以及設置方法做一個簡單介紹：
（1）Svmtrain的用法：
svmtrain [options] training_set_file [model_file]
Options：可用的選項即表示的涵義如下
-s svm類型：SVM設置類型(默認0)
0 -- C-SVC
1 --v-SVC
2 – 一類SVM
3 -- e -SVR
4 -- v-SVR
-t 核函數類型：核函數設置類型(默認2)
0 – 線性：u'v
1 – 多項式：(r*u'v + coef0)^degree
2 – RBF函數：exp(-r|u-v|^2)
3 –sigmoid：tanh(r*u'v + coef0)
-d degree：核函數中的degree設置(默認3)
-g 函數設置(默認1/ k)r(gama)：核函數中的
-r coef0：核函數中的coef0設置(默認0)
-c cost：設置C-SVC， -SVR的參數(默認1)-SVR和
- SVR的參數(默認0.5)-SVC，一類SVM和-n nu：設置
-SVR-p e：設置的值(默認0.1)中損失函數
-m cachesize：設置cache內存大小，以MB為單位(默認40)
-e ：設置允許的終止判據(默認0.001)
-h shrinking：是否使用啟發式，0或1(默認1)
-wi C(C-SVC中的C)(默認1)weight：設置第幾類的參數C為weight
-v n: n-fold交互檢驗模式
其中-g選項中的k是指輸入數據中的屬性數。option -v 隨機地將數據剖分為n部分並計算交互檢驗准確度和均方根誤差。以上這些參數設置可以按照SVM的類型和核函數所支持的參數進行任意組合，如果設置的參數在函數或SVM類型中沒有也不會產生影響，程序不會接受該參數；如果應有的參數設置不正確，參數將採用默認值。training_set_file是要進行訓練的數據集；model_file是訓練結束後產生的模型文件，文件中包括支持向量樣本數、支持向量樣本以及lagrange系數等必須的參數；該參數如果不設置將採用默認的文件名，也可以設置成自己慣用的文件名。
（2）Svmpredict的用法：
svmpredict test_file model_file output_file
model_file 是由svmtrain產生的模型文件；test_file是要進行預測的數據文件；Output_file是svmpredict的輸出文件。svm-predict沒有其它的選項。
下面是具體的使用例子
svmtrain -s 0 -c 1000 -t 1 -g 1 -r 1 -d 3 data_file
訓練一個由多項式核(u'v+1)^3和C=1000組成的分類器。
svmtrain -s 1 -n 0.1 -t 2 -g 0.5 -e 0.00001 data_file =-SVM (在RBF核函數exp(-0.5|u-v|^2)和終止允許限0.00001的條件下，訓練一個 0.1)分類器。 svmtrain -s 3 -p 0.1 -t 0 -c 10 data_file =以線性核函數u'v和C=10及損失函數 0.1求解SVM回歸。