LS- SVMlab1.6工具箱用户指南中文版.docVIP

最小二乘1.6版前言对于以前的版本1.5版工具箱和更新现有的一些命令我们增加了新功能由于许多读者都是熟悉的版本1.5布局，我们试图尽可能少地改变它。主要的区别。这里是一个简要的主要变化：Chapter/solver/function What’s new What’s new 2. LS-SVMLab toolbox examples LS - SVM的路线图;增添更多的回归和分类的例子;界面更容易多级分类;。 3. Matlab functions 回归或分类的可能性只使用更快（强劲）和（强大）选择标准与迭代重加权LS – SVM 4. LS-SVM solver 所有CMEX和/或C文件已被删除。求解线该性系统通过使用MATLAB命令“反斜杠”（\） 在解决非线性分类，函数估计和密度估计问题强大的方法也核的最新发展一般学习方法支持向量机引入统计学习理论结构风险最小化中LS-SVM是标准SVM的改进，这样就可以解决线性kkt系统的问题了。最小二乘支持向量机正规化网络和高斯过程密切相关，但加重视和利用原始对偶的。经典的模式识别算法判别分析Fisher，以非监督学习网络扩展和控制。稀疏权重并具有三个层次的推理贝叶斯框架已经制定LS – SVM像原始对偶配方给予核PCA，PLS。对于非常大的规模问题一个固定大小的LS - SVM方法Nystrom在原始空间中支持向量的积极选择和估计的近似值。原始对偶申述的方法被开发为核心谱聚类，数据可视化，降维和生存分析目前- SVMlab工具箱用户指南包含了LS - SVM算法分类，回归，时间序列预测和无监督学习。所有的功能用Matlab从R2008a，R2008b，R2009a测试参考命令LS – SVMlab主页http://www.esat.kuleuven.be/sista/lssvmlab/ 第二章LS--SVMlab一该工具箱主要用于商业用Matlab软件包使用Matlab的工具箱不同的计算机体系结构编译和测试，包括Linux和Windows。大部分可以处理的数据集高达20000或更多点的数据。 SVMlab对Matlab接口包括一个适合初学者的基本版本，以及一个多类编码技术贝叶斯框架更先进的版本未来版本将逐步入新成果的和额外的功能。功能受到最小二乘-支持向量机限制（其中包括“最小二乘支持向量机在函数”的扩展名），其余的都是一般使用。演示说明如何使用工具箱中的不同Matlab的函数接 调用函数：trainlssvm, simlssvm, plotlssvm, prelssvm, postlssvm; 演示：Subsections demofun, democlass. Matlab的工具箱是围绕一个快速LS - SVM的训练和模拟算法相应的函数调用可用于分类以及函数估计。函数plotlssvm显示该模型在培训点区域模拟结果。通过Matlab中灵活和简单代码（lssvmMATLAB.m）求解线性系统，它基于Matlab矩阵（反斜杠命令\为准）。对单个和多个输出回归和分类都可用训练和模拟可以做到为每个输出分别通过传递不同的核函数，内核和/或作为列向量正规化参数。一个模型的性能依赖于输入和输出数据缩放。一个适当的算法适当的重新调整分类codelssvm, code, deltablssvm, roc, latentlssvm 演示：Subsection, democlass 大量附加功能的文件是可用于分类工作。受试者工作特征曲线（ROC）可以用来衡量一个分类器的性能。多类分类问题分解成多个二元分类任务。几种编码方案可以用在了这一点：最小输出，，和纠错编码。海明距离，距离和贝叶斯损解码解码一个给定的结果一个偏差校正可以做，小数据集特别有趣调谐，稀疏，性tunelssvm, crossvalidatelssvm, leaveoneoutlssvm, robustlssvm,sparselssvm; 演示：Subsections ， demofun, democlass, demomodel 估算训练模式泛化性能对于分类，可以用错误分类率（misclass）来对重复培训和验证为基础的估计都是通过crossvalidatelssvm和leaveoneoutlssvm。一个强大的crossvalidation（关于迭代重加权LS - SVM的）分数由rcrossvalidatelssvm函数被调用。这些绩效措施，可用于确定调整参数（如正规化和内核参数的LS - SVM的（tunelssvm））。减少一个LS - SVM的模型的复杂性可以通过反复修剪较重要支持值（sparselssvm 在数据中的异常值的情况下，支持更正将改进模型（robustl