這幾天打算在論文里添加些實驗的對比算法，要用svm，雖然之前也看過，時間太長，忘得也差不多了，現在回頭再看一遍。推薦這篇博客http://blog.csdn.net/v_july_v/article/details/7624837。
svm的具體實現，小爺覺得，還是站在巨人的肩膀上吧，當然，如果你想深入的研究svm就另當別論了。小爺打算使用業界比較知名的libsvm，這兩篇介紹libsvm的比較詳細，http://endual.iteye.com/blog/1267442， http://www.tuicool.com/articles/ZbMzqy。但是其中並沒有介紹svm類型。下面小爺來補充下：
- -s svm類型：SVM設置類型(默認0)
- 0 -- C-SVC：C-支持向量分類機；參數C為懲罰系數，C越大表示對錯誤分類的懲罰越大，適當的參數C對分類Accuracy很關鍵。
- 1 --v-SVC：v-支持向量分類機；由於C的選取比較困難，用另一個參數v代替C。C是“無意義”的，v是有意義的。（與C_SVC其實采用的模型相同，但是它們的參數C的范圍不同,C_SVC采用的是0到正無窮，該類型是[0,1]。）
- 2 – 一類SVM：單類別-支持向量機，不需要類標號,用於支持向量的密度估計和聚類。
- 3 -- e -SVR：ε-支持向量回歸機，不敏感損失函數，對樣本點來說，存在着一個不為目標函數提供任何損失值的區域。
- 4 -- v-SVR：n-支持向量回歸機，由於EPSILON_SVR需要事先確定參數，然而在某些情況下選擇合適的參數卻不是一件容易的事情。而NU_SVR能夠自動計算參數。
顯然，后兩者是針對回歸問題的，分類問題與回歸問題最大的不同就是label，分類的label是類別，比如+1，-1，回歸的label是目標值，可能為任意值。