概述
最近在学习机器学习中的SVM算法，理论知识已经学的差不多了，现在是使用libsvm工具进行求解的阶段。在网上找了一点资料，然后自己做了个小的总结，希望可以帮到学习libsvm的新手。
一.首先说明一下关于分类问题的流程：训练--->得到model--->分类预测
训练：训练集——〉特征选取——〉训练——〉分类器
分类: 新样本——〉特征选取——〉分类——〉判决
二.libsvm简介：
1.LibSVM是以
源代码和
可执行文件两种方式给出的。
(1)如果是
Windows系列操作系统，可以
直接使用软件包提供的
程序（SVMlibsvm-3.20windows，其中有四个可执行程序，svm-predict,svm-scale,svm-toy,svm-train），也可以进行修改编译；
(2)如果是
Unix类系统，
必须自己编译，软件包中提供了编译格式文件，个人在SGI工作站(操作系统IRIX6.5)上，使用免费编译器GNU C++3.3编译通过。
2.关于libsvm源码的说明：
Java --主要是应用于java平台
pathon --是用来参数优选的工具
svm-toy --一个可视化的工具，用来展示训练数据和分类界面，里面是源码，其编译后的 程序在windows文件夹下
tools --主要包含四个pathon文件，用来数据抽样（subset），参数优选(grid),集成测试（easy）,数据检查（checkdata）
windows --包含libsvm四个exe程序包，我们所用到的库就是他们，里面还有个heart_scale，是一个样本文件，可以用记事本打开，用来测试用的。
其他的.h和.cpp文件都是程序的源码，可以编译出相应的exe文件。其中，最重要的是svm.h和svm.cpp文件，svm-predict,svm-scale.c和svm.train.c(还有一个svm-toy.c在svm-toy文件夹中)都是调用这个文件中的接口函数，编译后就是windows下相应的四个exe程序。
|
三.使用LIBSVM进行分类的一般步骤是：
1） 按照LIBSVM软件包所要求的
格式准备数据集；
2） 对数据进行简单的
缩放操作；
3） 考虑
选用RBF核函数；
4） 采用交叉验证选择最佳参数C与g ；
5）
采用最佳参数C与g 对整个训练集进行训练获取支持向量机模型；
6） 利用获取的模型进行测试与预测。
详细介绍如下所示：
1.按照LIBSVM软件包所要求的
格式准备数据集；
格式：
<label> <index1>:<value1> <index2>:<value2> ...
例：1 1:0.23 2:0.34 ... 13:1
-1 1:0.36 2:0.20 ... 13:0.56
<label> 是训练数据集的目标值,对于分类，它是标识某类的整数(支持多个类)；对于回归是任意实数;在上例中是1、-1；
<index> 是以1开始的整数，可以是不连续的(某项可能为空)；
<value>为实数，就是常说的自变量。检验数据文件中的label只用于计算准确度或误差，如果它是未知的，只需用一个数填写这一栏，也可以空着不填。
2.svmtrain(训练建模)
svmtrain [options] training_set_file [model_file]
DOS实例：![]()
参数说明：
options为操作参数，可用的选项即表示的含义如下所示：
-s svm类型：SVM设置类型(默认0)
0 -- C-SVC
1 --v-SVC
2 – 一类SVM
3 -- e -SVR
4 -- v-SVR
-t 核函数类型：核函数设置类型(默认2)
0 – 线性：u'v
1 – 多项式：(r*u'v + coef0)^degree
2 – RBF函数：exp(-r|u-v|^2)
3 –sigmoid：tanh(r*u'v + coef0)
-d degree：核函数中的degree设置(默认3)
-g r(gama)：核函数中的
gama
包含的函数设置(默认1/ k)
-r coef0：核函数中的coef0设置(默认0)
-c cost：设置C-SVC，e-SVR和v-SVR的参数(默认1)
-n nu：设置c-SVC，一类SVM和v- SVR的参数(默认0.5)
-p e：设置e -SVR 中损失函数的值(默认0.1)
-m cachesize：设置cache内存大小，以MB为单位(默认40)
-e ?：设置允许的终止判据(默认0.001)
-h shrinking：是否使用启发式，0或1(默认1)
-wi weight：设置第几类的参数C为weight C(C-SVC中的C)(默认1)
-v n: n-fold交互检验模式
model_file：可选项，为要保存的结果文件，成为模型文件，以便在预测时使用
其中-g选项中的k是指输入数据中的属性数。option -v 随机地将数据剖分为n部分并计算交互检验准确度和均方根误差。
以上这些参数设置可以按照SVM的类型和核函数所支持的参数进行任意组合，如果设置的
参数在函数或SVM类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。
3.svm-predict的用法
svm-prdict[options] test_file model_file output_file
DOS实例：
![]()
参数解释：
（1）options为操作参数，可用的选项含义如下：
-b probably_estimates --是否需要进行概率估计预测，可选值为0、1，默认值是0
（2）model_file是由svmtrain产生的模型文件
（3）test_file是要进行预测的数据文件，格式也要符合libsvm格式，即使不知道label的值，也要任意填一个，svm-predict会在output_file中给出正确的label结果，
如果知道label的值，就会输出正确率；
（4）out_file是由svm-predict的输出文件，表示预测的结果值
4.svmscale的用法:
svmscale是用来对原始样本进行缩放的，范围可以自己定，一般是[0,1]或[-1,1]。缩放的目的主要是
（1）防止某个特征过大或者过小，从而在训练中起的作用不平衡；
（2）为了计算速度，因为在核计算中，会用到内积运算和exp运算，不平衡的数据可能造成计算困难。
svm-scale [-l lower][-u upper]
[-y y_lower y_upper]
[-s save_filename]
[-r restore_file]filename
DOS实例：
![]()
其中，[]中都是可选项：
-l 设定数据下限；lower：设定的数据下限值，缺省为-1
-u 设定数据上限；upper: 设定的数据上限值，缺省为1
-y 是否对目标值同样进行缩放；y_lower为下限值，y_upper为上限值；
-s save_filename:表示将缩放的规则保存问文件save_filename
-r restore_filename:表示将按照已经保存的规则文件restore_filename进行缩放；
filename:待缩放的数据文件，文件格式按照libsvm格式
四.关于训练结果说明：
DOS实例：
optimization finished,#iter=162 //迭代次数是162
nu=1.0000 //nu是选择的核函数的类型
obj=-100.8.77288,rho=0.424462 //obj是SVM文件转换为的二次规划问题求解的最小值(W)，rho是判决函数的偏置项b,
nSV＝132，nBSV=107 //nSV是标准支持向量个数，nBSV是边界上的支持向量个数
Total nSV=132
//支持向量总个数
最后
以上就是热心蓝天为你收集整理的libsvm简单使用的全部内容，希望文章能够帮你解决libsvm简单使用所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复