1.如何利用python使用libsvm
2.LIBSVM使用手册
3.LIBSVM概述补充

如何利用python使用libsvm

       ä¸€ï¼šlibsvm包下载与使用：

       LIBSVM是台湾大学林智仁(Lin Chih-Jen)副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.

       æŠŠåŒ…解压在C盘之中，如：C:\libsvm-3.

       2.

       å› ä¸ºè¦ç”¨libsvm自带的脚本grid.py和easy.py,源码需要去官网下载绘图工具gnuplot,解压到c盘

       3.

       è¿›å…¥c:\libsvm\tools目录下，用文本编辑器（记事本，edit都可以）修改grid.py和easy.py两个文件，找到其中关于gnuplot路径的那项，根据实际路径进行修改，并保存

       4python与libsvm的连接（参考SVM学习笔记（2）LIBSVM在python下的使用 ）

       a.打开IDLE(python GUI)，输入

       >>>import sys

       >>>sys.version

       å¦‚果你的python是位，将出现如下字符：

       â€˜2.7.3 (default, Apr , ::) [MSC v. bit (Intel)]’

       è¿™ä¸ªæ—¶å€™LIBSVM的python接口设置将非常简单。在libsvm-3.文件夹下的windows文件夹中找到动态链接库libsvm.dll，将其添加到系统目录，如`C:\WINDOWS\system\’，即可在python中使用libsvm

       b.如果你是位的请参考文献，请参考上述连接。

       5.执行一个小例子

       import os

       os.chdir('C:\libsvm-3.\python')#请根据实际路径修改

       from svmutil import

*

       y, x = svm_read_problem('../heart_scale')#读取自带数据

       m = svm_train(y[:], x[:], '-c 4')

       p_label, p_acc, p_val = svm_predict(y[:], x[:], m)

       ##出现如下结果，应该是正确安装了

       optimization finished, #iter =

       nu = 0.

       obj = -., rho = 0.

       nSV = , nBSV =

       Total nSV =

       Accuracy = .% (/) (classification)

       äºŒå‡ ä¸ªç®€å•çš„例子

       ä»Žä¸‹è½½å®žéªŒæ•°æ®é›†ã€‚并且将数据集拷贝到C:\libsvm-3.\windows下（因为之后我们需要利用该文件夹下的其他文件，这样比较方便，当然之后你用绝对地址也可以了）

       å»ºç«‹ä¸€ä¸ªpy文件，写下如下代码：

       ä¾‹1：

       import os

       os.chdir('C:\libsvm-3.\windows')#设定路径

       from svmutil import

*

       y, x = svm_read_problem('train.1.txt')#读入训练数据

       yt, xt = svm_read_problem('test.1.txt')#训练测试数据

       m = svm_train(y, x )#训练

       svm_predict(yt,xt,m)#测试

       æ‰§è¡Œä¸Šè¿°ä»£ç ï¼Œç²¾åº¦ä¸ºï¼šAccuracy = .% (/) (classification)

       å¸¸ç”¨æŽ¥å£

       svm_train() : train an SVM model#训练

       svm_predict() : predict testing data#预测

       svm_read_problem() : read the data from a LIBSVM-format file.#读取libsvm格式的数据

       svm_load_model() : load a LIBSVM model.

       svm_save_model() : save model to a file.

       evaluations() : evaluate prediction results.

       - Function: svm_train#三种训练写法

       There are three ways to call svm_train()

       >>> model = svm_train(y, x [, 'training_options'])

       >>> model = svm_train(prob [, 'training_options'])

       >>> model = svm_train(prob, param)

       æœ‰å…³å‚数的设置（read me 文件夹中有详细说明）：

       Usage: svm-train [options] training_set_file [model_file]

       options:

       -s svm_type : set type of SVM (default 0)#选择哪一种svm

       0 -- C-SVC (multi-class classification)

       1 -- nu-SVC (multi-class classification)

       2 -- one-class SVM

       3 -- epsilon-SVR (regression)

       4 -- nu-SVR (regression)

       -t kernel_type : set type of kernel function (default 2)#是否用kernel trick

       0 -- linear: u'*v

       1 -- polynomial: (gamma*u'*v + coef0)^degree

       2 -- radial basis function: exp(-gamma*|u-v|^2)

       3 -- sigmoid: tanh(gamma*u'*v + coef0)

       4 -- precomputed kernel (kernel values in training_set_file)

       -d degree : set degree in kernel function (default 3)

       -g gamma : set gamma in kernel function (default 1/num_features)

       -r coef0 : set coef0 in kernel function (default 0)

       -c cost : set the parameter C of C-SVC, epsilon-SVR, and nu-SVR (default 1)

       -n nu : set the parameter nu of nu-SVC, one-class SVM, and nu-SVR (default 0.5)

       -p epsilon : set the epsilon in loss function of epsilon-SVR (default 0.1)

       -m cachesize : set cache memory size in MB (default )

       -e epsilon : set tolerance of termination criterion (default 0.)

       -h shrinking : whether to use the shrinking heuristics, 0 or 1 (default 1)

       -b probability_estimates : whether to train a SVC or SVR model for probability estimates, 0 or 1 (default 0)

       -wi weight : set the parameter C of class i to weight*C, for C-SVC (default 1)

       -v n: n-fold cross validation mode

       -q : quiet mode (no outputs)

       ä¸‰æé«˜é¢„测的准确率：

       é€šè¿‡ä¸€å®šçš„过程，可以提高预测的准确率(在文献2中有详细介绍)：

       a.转换数据为libsvm可用形式.(可以通过下载的数据了解格式）

       b.进行一个简单的尺度变换

       c.利用RBF kernel，利用cross-validation来查找最佳的参数 C 和 r

       d.利用最佳参数C 和 r ，来训练整个数据集

       e.测试

       å†çœ‹ä¾‹å­1：

       1.进入cmd模式下，输入如下代码，将现有数据进行适度变换，生成变换后的数据文件train.1.scale.txt

       å‚数说明：

       -l 变换后的下限

       -u 变换后的上限

       -s 参考上文

       2执行以下代码

       import os

       os.chdir('C:\libsvm-3.\windows')#设定路径

       from svmutil import

*

       y, x = svm_read_problem('train.1.scale.txt')#读入训练数据

       yt, xt = svm_read_problem('test.1.scale.txt')#训练测试数据

       m = svm_train(y, x )#训练

       svm_predict(yt,xt,m)#测试

       ç²¾ç¡®åº¦ä¸ºAccuracy = .6% (/) (classification)。

       å¯è§æˆ‘们只是做了简单的尺度变换后，预测的正确率大大提升了。

       3通过选择最优参数，再次提高预测的准确率：（需要把tools文件下的grid.py拷贝到'C:\libsvm-3.\windows'下）

       import os

       os.chdir('C:\libsvm-3.\windows')#设定路径

       from svmutil import

*

       from grid import

*

       rate, param = find_parameters('train.1.scale.txt', '-log2c -3,3,1 -log2g -3,3,1')

       y, x = svm_read_problem('train.1.scale.txt')#读入训练数据

       yt, xt = svm_read_problem('test.1.scale.txt')#训练测试数据

       m = svm_train(y, x ,'-c 2 -g 4')#训练

       p_label,p_acc,p_vals=svm_predict(yt,xt,m)#测试

       æ‰§è¡Œä¸Šé¢çš„程序，find_parmaters函数，可以找到对应训练数据较好的参数。后面的log2c,log2g分别设置C和r的搜索范围。搜索机制是以2为底指数搜索，如 –log2c –3 , 3,1 就是参数C,从2^-3，2^-2，2^-1…搜索到2^3.

       æœç´¢åˆ°è¾ƒå¥½å‚数后，在训练的时候加上参数的设置。

       å¦å¤–，读者可以自己试试数据集2,3.

LIBSVM使用手册

       LibSVM是一种开源的支持向量机（SVM）软件包，提供源代码和可执行文件两种形式。讲解针对不同操作系统，源码用户需按照以下步骤操作：

       1）准备数据集，讲解按照LibSVM要求的源码格式。

       2）对数据进行简单缩放，讲解钻石启动选股指标源码以便在训练过程中更有效地处理。源码

       3）考虑选用RBF核函数，讲解它在处理非线性问题时表现优异。源码

       4）通过交叉验证选择最佳参数C和g，讲解以优化模型性能。源码

       5）使用最佳参数C和g对整个训练集进行支持向量机模型训练。讲解

       6）利用训练好的源码模型进行测试和预测。

       LibSVM使用的讲解振幅的源码数据格式包括目标值和特征值，格式简洁且易于理解和操作。源码训练数据文件包含目标值和特征值，检验数据文件仅用于计算准确度或误差。

       Svmtrain命令用于训练模型，支持多种参数设置，包括SVM类型、核函数类型、参数值等。例如，训练一个C-SVC分类器时，可使用参数设置：svmtrain [options] training_set_file [model_file]。

       Svmpredict命令用于使用已有模型进行预测，其用法为：svmpredict test_file model_file output_file。加密js源码

       SVMSCALE工具用于对数据集进行缩放，目的是避免特征值范围过大或过小，防止在训练过程中出现数值计算困难。缩放规则可以保存为文件，便于后续使用。

       LibSVM提供了一个实用的训练数据实例：heart_scale，用于参考数据文件格式和练习软件操作。用户还可以编写小程序将常用数据格式转换为LibSVM要求的格式。

       总之，LibSVM提供了全面的支持向量机模型训练与预测工具，用户需按照文档指导准备数据、设置参数、训练模型和进行预测。网页听歌源码LibSVM的灵活性和高效性使其在数据挖掘、机器学习等领域得到广泛应用。

扩展资料

       LIBSVM是台湾大学林智仁(Lin Chih-Jen)副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。该软件包可在http://www.csie.ntu.edu.tw/~cjlin/免费获得。该软件可以解决C-SVM、ν-SVM、android源码资源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。

LIBSVM概述补充

       SVM（支持向量机）在模式识别或回归任务中广泛应用，但其方法、参数选择和核函数及其参数的选取，国际上尚未形成统一模式。最优SVM算法参数选择往往依赖于经验、实验对比、广泛搜索，或利用软件包提供的交互检验功能。LIBSVM，作为广泛使用的支持向量机软件包，提供了Java、Matlab、C#、Ruby、Python、R、Perl、Common LISP、Labview等多种语言版本。其中，Matlab、Java和命令行版本最为常用，相关资源可在林智仁（Lin Chih-Jen）的主页上找到链接。

       LIBSVM的多语言版本覆盖了不同开发者和研究者的编程需求，提高了软件的适用性和灵活性。SVM参数选择的复杂性促使用户在实践中积累经验和使用软件辅助功能。在模式识别或回归任务中，准确的参数设置对SVM模型的性能至关重要，而LIBSVM提供了丰富的工具和资源，以支持用户在不同编程环境下进行优化探索。

       LIBSVM的不同语言版本，如Java、Matlab、C#等，为开发者提供了不同编程环境下的支持向量机解决方案。这些版本不仅支持模型训练和预测，还提供了对SVM参数调整、模型评估等关键功能的支持。对于使用Matlab、Java等语言进行数据分析和机器学习的用户，LIBSVM的特定版本提供了直接集成的便利，简化了模型开发流程。

       值得一提的是，LIBSVM的命令行版本提供了在没有图形用户界面（GUI）环境下的高效操作方式，适用于自动化任务、批处理操作或在资源受限的系统上运行。这种版本的灵活性使其在各种应用场景中得以广泛运用，尤其是在需要高效处理大规模数据集时。

       总之，LIBSVM通过提供多样化的语言版本，满足了不同开发者和研究者在模式识别和回归任务中的需求。随着实践的积累和算法的不断优化，LIBSVM成为了支持向量机领域中不可或缺的工具，为用户提供了强大的参数调整和模型构建能力，从而在复杂的数据分析任务中取得了显著成果。

扩展资料

       LIBSVM是台湾大学林智仁(Lin Chih-Jen)副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。该软件包可在http://www.csie.ntu.edu.tw/~cjlin/免费获得。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。