一、前言
本文主要讨论libsvm中的OCSVM调参问题，参考了博文http://www.voidcn.com/blog/lplpysys/article/p-3920288.html，OCSVM是一类SVM，即适用于训练样本均为正样本，或者负样本极少的分类模型，
二、libsvm-OCSVM相关参数
针对模型参数的训练主要使用svmtrain函数。
用法： svmtrain [options] training_set_file [model_file]
其中，options为操作参数，与OCSVM相关的参数有:
-s 2 设置SVM类型，表所选类型为一类SVM
-t 2 选择高斯核函数将数据样本映射至高纬空间，使能够线性可分。
-n v v的取值在[0,1]，其表示训练时训练样本集最后被划分为负类的比例。
-g γ 核函数中的gamma值。
-v n n值为交叉验证的折数，使用该参数时，svmtrain函数返回值为n折交叉验证下得到的准确率，通常是为了确定参数v和γ的最佳值。
三、OCSVM 调参示例
以下为使用穷举法确定模型参数
clear; clc; mu = [1,1,1,1,1]'; sigma = diag([1,1,1,1,1]); data = mvnrnd(mu,sigma,2500); %R=mvnrnd(mu,sigma,m) 生成2500个5维正态分布数据。 trainData = data(1:2000, :); %前2000个用于训练 testData = data(2001:2500, :); %后500个用于测试 trainLabel = ones( size(trainData,1) ,1); [v,g] = meshgrid(-10:0.2:0,-10:0.5:10); [m,n] = size(v); vg = zeros(m,n); eps = 10^(-4); n = 10; %采用10折交叉验证 bestv = 1; bestg = 0.1; bestacc = 0; for i = 1:m for j = n:n cmd = [ ' -s 2 -t 2 ' ,' -v ',num2str(n),' -n ',num2str(2^v(i,j)),' -g ',num2str(2^g(i,j)) ]; vg(i,j) = svmtrain(trainLabel,trainData,cmd); if vg(i,j) > bestacc bestacc = vg(i,j); bestv = 2^v(i,j); bestg = 2^g(i,j); end if abs( vg(i,j)-bestacc )<=eps bestacc = vg(i,j); bestv = 2^v(i,j); bestg = 2^g(i,j); end end end %获得最优参数后，训练模型 cmd = [' -s 2 -t 2 ' , ' -n ',num2str( bestv ),' -g ',num2str( bestg )]; model = svmtrain(trainLabel,trainData,cmd); %测试模型 testLabel = ones( size( testData ,1) ,1); [label , Y1,Y2 ] = svmpredict(testLabel , testData ,model ); 四、结果分析
可得所确定最佳参数bestv和bestg，10折交叉验证下模型的准确率可达到99.55%，测试数据的准确率为98.6%，
测试时svmpredict返回3个变量，label存储的是模型对测试数据的分类标签，1为正类，-1为负类，Y1都一项表示分类准确率，后两个数字用于回归问题，第2个数字表示mse；第三个数字表示平方相关系数。Y2表示决策值。
