經歷手寫SVM的慘烈教訓(還是太年輕)之后，我決定使用工具箱/第三方庫

Python

LibSVM是開源的SVM實現，支持C， C++， Java，Python ， R 和 Matlab 等, 這里選擇使用Python版本。

安裝LibSVM

將LibSVM倉庫的所有內容放入Python的包目錄\Lib\site-packages或者工程目錄中。

在libsvm根目錄和python子目錄下中分別新建名為__init__.py的空文件，這兩個空文件將標識所在的目錄為python包可以直接導入。

允許草民吐槽一下各種Blog里切換根目錄的奇怪的解決方案：這個和這個

因為經常使用svm，所以草民將libsvm包放入\Lib\site-packages目錄下。在Python交互環境或在任意腳本中都可以使用import libsvm.python來使用libsvm的python接口。

使用LibSVM

LibSVM的使用非常簡單，只需調用有限的接口

示例1：

from libsvm.python.svmutil import *

from libsvm.python.svm import *

y, x = [1,-1], [{1:1, 2:1}, {1:-1,2:-1}]

prob = svm_problem(y, x)

param = svm_parameter('-t 0 -c 4 -b 1')

model = svm_train(prob, param)

yt = [1]

xt = [{1:1, 2:1}]

p_label, p_acc, p_val = svm_predict(yt, xt, model)

print(p_label)

輸出結果：

optimization finished, #iter = 1

nu = 0.062500

obj = -0.250000, rho = 0.000000

nSV = 2, nBSV = 0

Total nSV = 2

test:

Model supports probability estimates, but disabled in predicton.

Accuracy = 100% (1/1) (classification)

[1.0]

在SVM數據中下載train1.txt和test1.txt。

LibSVM可以在文件中讀取訓練數據，這樣便于大規模數據的使用。

示例：

from libsvm.python.svmutil import *

from libsvm.python.svm import *

y, x = svm_read_problem('train1.txt')

yt, xt = svm_read_problem('test1.txt')

model = svm_train(y, x )

print('test:')

p_label, p_acc, p_val = svm_predict(yt[200:202], xt[200:202], model)

print(p_label)

可以看到輸出：

optimization finished, #iter = 5371

nu = 0.606150

obj = -1061.528918, rho = -0.495266

nSV = 3053, nBSV = 722

Total nSV = 3053

test:

Accuracy = 40.809% (907/2225) (classification)

LibSVM接口

訓練數據格式

libsvm的訓練數據格式如下：

:: ...

示例：

1 1:2.927699e+01 2:1.072510e+02 3:1.149632e-01 4:1.077885e+02

主要類型

svm_problem

保存定義SVM模型的訓練數據

svm_parameter

存儲訓練SVM模型所需的各種參數

svm_model

完成訓練的SVM模型

svm_node

模型中一個特征的值，只包含一個整數索引和一個浮點值屬性。

主要接口：

-svm_problem(y, x)

由訓練數據y,x創建svm_problem對象

svm_train()

svm_train有3個重載：

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

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

model = svm_train(prob, param)

用于訓練svm_model模型

`svm_parameter(cmd)

創建svm_parameter對象，參數為字符串。

示例：

param = svm_parameter('-t 0 -c 4 -b 1')

svm_predict()

調用語法：

p_labs, p_acc, p_vals = svm_predict(y, x, model [,'predicting_options'])

參數：

y 測試數據的標簽

x 測試數據的輸入向量

model為訓練好的SVM模型。

返回值：

p_labs是存儲預測標簽的列表。

p_acc存儲了預測的精確度，均值和回歸的平方相關系數。

p_vals在指定參數'-b 1'時將返回判定系數(判定的可靠程度)。

這個函數不僅是測試用的接口，也是應用狀態下進行分類的接口。比較奇葩的是需要輸入測試標簽y才能進行預測，因為y不影響預測結果可以用0向量代替。

svm_read_problem

讀取LibSVM格式的訓練數據：

y, x = svm_read_problem('data.txt')

svm_save_model

將訓練好的svm_model存儲到文件中：

svm_save_model('model_file', model)

model_file的內容：

svm_type c_svc

kernel_type linear

nr_class 2

total_sv 2

rho 0

label 1 -1

probA 0.693147

probB 2.3919e-16

nr_sv 1 1

SV

0.25 1:1 2:1

-0.25 1:-1 2:-1

svm_load_model

讀取存儲在文件中的svm_model:

model = svm_load_model('model_file')

調整SVM參數

LibSVM在訓練和預測過程中需要一系列參數來調整控制。

svm_train的參數：

-s SVM的類型(svm_type)

0 -- C-SVC(默認)

使用懲罰因子(Cost)的處理噪聲的多分類器

1 -- nu-SVC(多分類器)

按照錯誤樣本比例處理噪聲的多分類器

2 -- one-class SVM

一類支持向量機，可參見"SVDD"的相關內容

3 -- epsilon-SVR(回歸)

epsilon支持向量回歸

4 -- nu-SVR(回歸)

-t 核函數類型(kernel_type)

0 -- linear(線性核):

u'*v

1 -- polynomial(多項式核):

(gamma*u'*v + coef0)^degree

2 -- radial basis function(RBF,徑向基核/高斯核):

exp(-gamma*|u-v|^2)

3 -- sigmoid(S型核):

tanh(gamma*u'*v + coef0)

4 -- precomputed kernel(預計算核)：

核矩陣存儲在training_set_file中

下面是調整SVM或核函數中參數的選項：

-d 調整核函數的degree參數，默認為3

-g 調整核函數的gamma參數，默認為1/num_features

-r 調整核函數的coef0參數，默認為0

-c 調整C-SVC, epsilon-SVR 和 nu-SVR中的Cost參數，默認為1

-n 調整nu-SVC, one-class SVM 和 nu-SVR中的錯誤率nu參數，默認為0.5

-p 調整epsilon-SVR的loss function中的epsilon參數，默認0.1

-m 調整內緩沖區大小,以MB為單位，默認100

-e 調整終止判據，默認0.001

-wi調整C-SVC中第i個特征的Cost參數

調整算法功能的選項：

-b 是否估算正確概率,取值0 - 1，默認為0

-h 是否使用收縮啟發式算法(shrinking heuristics),取值0 - 1，默認為0

-v 交叉校驗

-q 靜默模式

Matlab

LibSVM的Matlab接口用法類似，Matlab豐富的標準工具箱提供了各種方便。

Statistic Tools工具箱提供了svmtrain和svmclassify函數進行SVM分類。

traindata = [0 1; -1 0; 2 2; 3 3; -2 -1;-4.5 -4; 2 -1; -1 -3];

group = [1 1 -1 -1 1 1 -1 -1]';

testdata = [5 2;3 1;-4 -3];

svm_struct = svmtrain(traindata,group);

Group = svmclassify(svm_struct,testdata);

svmtrain接受traindata和group兩個參數，traindata以一行表示一個樣本，group是與traindata中樣本對應的分類結果，用1和-1表示。

svmtrain返回一個存儲了訓練好的svm所需的參數的結構體svm_struct。

svmclassify接受svm_struct和以一行表示一個樣本的testdata，并以1和-1列向量的形式返回分類結果。

總結

以上是生活随笔為你收集整理的libsvm python_LibSVM for Python 使用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。