libsvm的简单使用

拼搏现实的明天。 2022-06-16 13:49 236阅读 0赞

# libsvm的简单使用 #

## 1、libsvm简介 ##

LIBSVM是台湾大学林智仁(Lin Chih-Jen)教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用;该软件对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数可以解决很多问题;并提供了交互检验(Cross Validation)的功能。该软件可以解决C-SVM、ν-SVM、ε-SVR和ν-SVR等问题，包括基于一对一算法的多类模式识别问题。

下载：[libsvm3.22][]

LIBSVM 使用的一般步骤是:

> > 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。

## 2、数据格式 ##

该软件使用的训练数据和检验数据文件格式如下:

<**label**> <**index1**>:<value1> <**index2**>:<value2> ...

其中：

<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。

<index> 是以1开始的整数，可以是不连续的;

<value>;为实数，也就是我们常说的自变量。

## 3、放缩数据 ##

通常将数据缩放到\[ -1,1\]或者是\[0,1\]之间，目的在于：

> 1)避免一些特征值范围过大而另一些特征值范围过小;
> 
> 2)避免在训练时为了计算核函数而计算内积的时候引起数值计算的困难。

**放缩命令：**svm-scale \[-l lower\] \[-u upper\] \[-y y\_lower y\_upper\]\[-s save\_filename\] \[-r restore\_filename\] filename

> > \-l:数据下限标记;lower:缩放后数据下限;
> 
> > \-u:数据上限标记;upper:缩放后数据上限;
> 
> > \-y:是否对目标值同时进行缩放;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为文件save\_filename;
> 
> > \-r restore\_filename:表示将缩放规则文件restore\_filename载入后按此缩放;
> 
> > filename:待缩放的数据文件(要求满足前面所述的格式)。
> 
> **使用示例：![20170516183036672][]**

## 4、训练数据 ##

**训练命令：**svm-train \[options\] training\_set\_file \[model\_file\]

Options表示可用的选项有：

>  \-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(针对多项式核函数)(默认3)
> 
> > \-g r(gama):核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)(默认1/ k)
> 
> > \-r coef0:核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)
> 
> > \-c cost:设置C-SVC，e -SVR和v-SVR的参数(损失函数)(默认1)

> > \-n nu:设置v-SVC，一类SVM和v- SVR的参数(默认0.5)
> 
> > \-p p:设置e -SVR 中损失函数p的值(默认0.1)
> 
> > \-m cachesize:设置cache内存大小，以MB为单位(默认40)
> 
> > \-e eps: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，n为fold的个数，必须大于等于2，常用的是5折交叉验证。
> 
> training\_set\_file是要进行训练的数据集;
> 
>  model\_file是训练结束后产生的模型文件

**使用示例：![20170516183810331][]**

## 5、预测数据 ##

\[predict\_label, accuracy, decision\_values/prob\_estimates\]

= svm-predict(test\_label, test\_matrix, model, \['libsvm\_options'\])

> \-test\_label:测试标签
> 
> \-testmatrix:测试数据
> 
> \-model:训练的模型

[libsvm3.22]: http://download.csdn.net/detail/qq_29721419/9843937
[20170516183036672]: /images/20220616/4f3ca103274b404d9c299b44247d0e1f.png
[20170516183810331]: /images/20220616/48afb04ef5864603983b06529b5fff04.png