用matlab做svm分类分析变量影响程度

在用matlab做svm支持向量机分类时，如何分析变量对结果的影响程度呢？
（希望详细一些）

1、首先，可以使用matlab中提供的svmtrain函数，训练出一个支持向量机模型，使用svmtrain函数的参数“-v”，可以得到各个变量的重要性，从而分析变量对结果的影响程度。
2、可以使用matlab中提供的svmclassify函数，使用参数“-v”，可以得到每个变量的分类精度，从而分析变量对结果的影响程度。
3、可以使用matlab中提供的svmtrain函数，使用参数“-v”，可以得到每个变量的支持向量，从而分析变量对结果的影响程度。
4、可以使用matlab中提供的svmtrain函数，使用参数“-b”，可以得到每个变量的决策函数参数，从而分析变量对结果的影响程度。

• 这篇文章：matlab实现多分类svm 也许有你想要的答案，你可以看看
• 除此之外, 这篇博客: 【SVM分类】基于支持向量机实现数据分类附matlab代码中的 1 简介 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 支持向量机是利用已知数据类别的样本为训练样本，寻找同类数据的空间聚集特征，从而对测试样本进行分类验证，通过验证可将分类错误的数据进行更正。本文以体检数据为数据背景，首先通过利用因子分析将高维数据进行降维，由此将所有指标整合成几个综合性指标；为降低指标之间的衡量标准所引起的误差，本文利用 MATLAB软件将数据进行归一化处理，结合聚类分析将数据分类；最后本文利用最小二乘支持向量机分类算法进行分类验证，从而计算出数据分类的准确率，并验证了数据分类的准确性和合理性。

  

  

可视化特征重要性：使用特征重要性指标，如系数矩阵或决策树可视化。
利用交叉验证评估特征重要性：比较不同特征子集的模型结果。
增量分析：删除或添加特征，比较模型的变化。
利用Lasso回归：利用Lasso回归消除不重要的特征。
利用随机森林：随机森林可以提供特征重要性指标。