svm理解：

LSSVM：

最小二乘支持向量机(Least squares support vector Maehine,LSSVM)是SVM的一种变体,把问题转化成对一个

线性方程求解,所需计算资源少,具有较高的准确率。

~~~~~~~~~~~~~~~~~~~~~~~~~cut:引用别人的话~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
libsvm 工具箱和 lssvm工具箱的区别：

答：libsvm工具箱是用 SMO算法来求解 svm模型中的那个最优化问题的解。
      lssvm工具箱是用最小二乘算法来求解 svm模型中的那个最优化问题的解。
这就是libsvm 工具箱和 lssvm工具箱的区别

PS：附: MATLAB自带的svm实现函数与libsvm差别小议：
1 MATLAB自带的svm实现函数仅有的模型是C-SVC(C-support vector classification)； 而libsvm工具箱有C-SVC(C-support vector classification),nu-SVC(nu-support vector classification),one-class SVM(distribution estimation),epsilon-SVR(epsilon-support vector regression),nu-SVR(nu-support vector regression)等多种模型可供使用。
2 MATLAB自带的svm实现函数仅支持分类问题，不支持回归问题；而libsvm不仅支持分类问题，亦支持回归问题。
3 MATLAB自带的svm实现函数仅支持二分类问题，多分类问题需按照多分类的相应算法编程实现；而libsvm采用1v1算法支持多分类。
4 MATLAB自带的svm实现函数采用RBF核函数时无法调节核函数的参数gamma，貌似仅能用默认的；而libsvm可以进行该参数的调节。
5 libsvm中的二次规划问题的解决算法是SMO；而MATLAB自带的svm实现函数中二次规划问题的解法有三种可以选择：经典二次方法；SMO；最小二乘。（这个是我目前发现的MATLAB自带的svm实现函数唯一的优点~）
        在以上的一些对比下，我个人建议目前svm的实现还是使用libsvm（这个应该是目前最好用的svm工具箱），当然MATLAB自带的svm实现函数对于简单问题也可使用，MATLAB自带的svm实现函数可能会在更加新的版本里面进行完善，我也曾尝试用MATLAB自带的svm实现函数来进行重新封装实现libsvm中的所有功能但工作量有些大~

~~~~~~~~~~~~~~~~~~~~~~~cut:引用别人的话~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

可以参考Training ν-Support Vector Regression- Theory and Algorithms.pdf

to do list:

ARIMA一SVM

关于在matlab中适用libsvm：

http://blog.sina.com.cn/s/blog_6a41348f0101ep7w.html

在R中使用的博文：

http://blog.sina.com.cn/s/blog_6ab063770102vwup.html

R 中svm的参数

decision.values = TRUE,probability = T

可以看到，两两组合有k(k-1)个分类器，第一行投票setosa、setosa、versicolor，所以概率上是setosa很高

使用tune.svm调试参数cost，和gamma：

tmp_c <- -2:3

Cs = 10^(tmp_c)

gm = 10^(tmp_c-2)

tc <- tune.control(cross = 5)

prioir_svm <- tune.svm(f~.,data=train_svm, cost = Cs,gamma = gm,

                      tunecontrol = tc)

用于阅读的参考文献

e1071.pdf

libsvm.ps

A Practical Guide to Support Vector Classification.pdf