前言:
------------
关于MLVO模型(线性情况)和kMLVO模型(非线性情况)的详细信息见[1-2](参见参考文献)。
线性版本(MLVO模型)是可用的单模态支持，有希望放一个万博1manbetx
扩大包，也支持非线性情况(kMLVO)和多模万博1manbetx态。
这个版本是一个测试版，欢迎所有的评论。
描述:
-----------------
MLVO(多标签向量优化)是一个机器学习模型，它在n维特征空间中找到优化的线性分类器(决策分类器)，一个超平面，例如，如果样本空间在R^5，那么MLVO模型找到将样本分成两组的优化超平面。
基于3种方法的MLVO模型:
1.支持向量万博1manbetx机(SVM)。
2.支持向量万博1manbetx机(SVR)。
3.优先最优线性分类器(此方法在MLVO 1.0版本中未使用)。
关于MLVO模型(以及kMVLO模型，Kernel中的“k”)的详细解释可以在[1-2]中找到(参见参考文献)。

MLVO模型通过权值将3种方法进行综合，使用MATLAB算法“fminsearch”和“quadprog”计算优化后的线性分类器(超平面)。
MLVO学习集是由分类值为{-1或1或0}的样本和分数为实数的样本组成，有些样本可能既有分类标签又有分数标签。
只有分类标签的样本得到0分，只有分类标签的样本得到0分。
*我们何时应该使用MLVO模型?
如果学习集很小，有分类的学习样本很少，有分数的样本也很少
使用SVM并不是最好的选择，因为分类样本很少，而使用SVR也不是最好的选择，因为得分样本很少，此时MLVO的好处就要实现了，因为它同时使用了两个样本，并将其求和为足够数量的样本，结果对于线性分类器来说是更好的优化。
*的例子:
附带文件，其中包含MLVO函数的参数示例。论点是:
“X_learn”-特征样本矩阵(矩阵中的每一行代表一个样本)。
“y_learn”-“X_learn”中每一行的分类向量每个元素都属于{-1,1.0}，未分类样本得到0。

“s_learn”-“X_learn”中每一行的分数向量，每个元素都是实数，没有分数的向量得到分数0。

“Np”-用于受试者工作特性曲线(ROC曲线)的判别阈值参数的离散范围内的点数。曲线下的面积(AUC)有助于对分类器的质量进行排序。

“X_test”-已知分类的样本矩阵(矩阵中的每一行都是样本)。它们使用MLVO计算分类器得到的分类进行验证。

“y_test”—“X_test”中样本的分类向量(矩阵“X_test”中的每一行都是一个样本)。

“c0”—正实数，是MLVO的SVM部分违反余量代价的初始值。

“d0”—正实数，是MLVO中SVR部分的违规余量成本的初始值。

“ep0”—正实数，为MLVO SVR部分灵敏度的初始值。

引用:
-----------------
[10]陈晓明，陈晓明，陈晓明，利用T细胞表位和MHC-I结合肽的组合预测MHC-I。J.Immunol。方法374,43 - 46(2010)。

[10]李建军，李建军，李建军，核多标签向量优化(kMLVO):一种统一的多标签分类形式，学习与智能优化，第7届国际学术会议，中国机械工程，2013年1月7 - 11日。