1、在使用svmtrain函數時，需要使用核函數進行分類，百度大部分的都是關於libsvm下的核函數使用，看到了一篇寫matlab的svmtrain參數選擇，如下
https://blog.csdn.net/shenziheng1/article/details/54178685/
還可以使用 help svmtrain查看svmtrain函數的參數示例和使用示例，如需要閱讀體驗更好，請使用doc svmtrain 查看
例子：
1 e.g. 2 clc;clear all 3 load fisheriris %載入matlab自帶的數據[有關數據的信息可以自己到UCI查找,這是UCI的經典數據之一], 4 % UCI數據庫http://archive.ics.uci.edu/ml/該數據庫得到大家認可 5 %其中meas是150*4的矩陣代表着有150個樣本每個樣本有4個屬性描述 6 %species代表着這150個樣本的分類 7 data = [meas(:,1), meas(:,2)]; %在這里只取meas的第一列和第二列,即只選取前兩個屬性. 8 groups = ismember(species,'setosa'); 9 %由於species分類中是有三個分類:setosa,versicolor,virginica,為了使問題簡單,我們將其變為二分類問題:Setosa 10 %and non-Setosa,groups中只有0和1 11 [train, test] = crossvalind('holdOut',groups);%生成索引，一部分用來訓練，其他部分用來測試 12 cp = classperf(groups);%隨機選擇訓練集合測試集,其中cp作用是后來用來評價分類器的.*/ 13 svmStruct = svmtrain(data(train,:),groups(train),'showplot',true); 14 %svmStruct= svmtrain(data(train,:),groups(train),'Kernel_Function','rbf','RBF_Sigma',1,'boxconstraint',1,'showplot',true); 15 %使用svmtrain進行訓練,得到訓練后的結構svmStruct,在預測時使用.
上述 ‘Kernel_Function’表示核函數，包括'linear' （線性）默認、 'quadratic' (二次)、 'polynomial' （多項式默認三階）、'rbf'（高斯徑向基函數）
線性核函數用於數據線性可分的情況下，后面三個一般應用於數據線性不可分的情況（將而二維數據映射到更高的維度從而使數據可區分）
吳恩達老師 機器學習講義 https://pan.baidu.com/s/1boGzeDx
機器學習視頻 http://open.163.com/special/opencourse/machinelearning.html
高斯核函數為
$$f(X_{i})=e^{-\frac{||x_{i}-l_{i}||^2}{2\sigma^2 }}$$
‘Rbf_sigma’表示高斯核函數的參數，
’boxconstraint‘表示懲罰系數，類同於libsvm中svmtrain的參數c
C越大，相當於懲罰松弛變量，希望松弛變量接近0，即對誤分類的懲罰增大，趨向於對訓練集全分對的情況，這樣對訓練集測試時准確率很高，但泛化能力弱。C值小，對誤分類的懲罰減小，允許容錯，將他們當成噪聲點，泛化能力較強。