svm的训练预测过程（很有意义）

想了一段时间，现在終於理清svm算法评估和预测的头绪了。
可以归纳为以下几个过程（顺序的）：

1. 收集数据，相关性分析（p卡方检验），特征选择（主成份分析）。
2. 归一化数据。就是根据实际要求，将数据的取值范围转化为统一的区间如[a,b],a,b为整数。方法参考：http://slt-ml.blogspot.com/2008/06/spss.html
3. 利用抽样技术将数据集分为训练集和测试集。抽样技术有分层抽样，简单抽样（等概率抽样）
4. 将数据转化为软件（接口）所支持的格式。就libsvm（c＋＋，java）来说，我们可以使用FormatDataLibsvm.xls将数据转化为libsvmm所要求 的格式。参考：http://slt-ml.blogspot.com/2008/06/formatdatalibsvmxlslibsvm.html
5. 选择核函数，可以优先考虑rbf。
6. 对训练集利 用交叉验证法选择最好的参数C和r（rbf核函数中的参数gama）。可以通过网格法寻找出最优的参数，注意一次交叉验证得到一个参数对所对应的模型精 度，网格法目的就是找到使得模型精度达到对高的参数对（这里的参数对可能不止两个，有可能也有其他的），可以使用一些启发式的搜索来降低复杂度，虽然这个 方法笨了点，但是它能得到很稳定的搜索结果。需要提到的这里在对训练集进行分割的时候涉及到抽样，一个较好的方法就是分层抽样。从这步可以看出其实 Cross－Validation是一种评估算法的方法。
7. 用6中得到的参数对在整个训练集合上进行训练，从而得出模型。
8. 利用测试集测试模型，得到精度。这个精度可以认为是模型最终的精度。当然有人会担心3步中抽样会有一定的误差，导致8得到的精度不一定是最好的，因此可以重复3－8得到多个模型的精度，然后选择最好的一个精度最为模型的精度（或者求所有精度的均值做为模型精度）。