1、 Libsvm下載

下載libsvm的最新版本，下載地址為http://www.csie.ntu.edu.tw/~cjlin/libsvm/ 目前最新版本為libsvm-3.22
將libsvm-3.22.zip解壓，我的解壓到了F:\libsvm。
添加環(huán)境變量到path：我的電腦->屬性->高級->環(huán)境變量->系統(tǒng)變量->變量列表里面雙擊 Path，在變量值最后添加;F:\libsvm\libsvm-3.22\windows 然后點擊確定即可。
解壓后可以看到，主要有5個文件夾和一些c++源碼文件：
Java——主要是應(yīng)用于java平臺；
Python——是用來參數(shù)優(yōu)選的工具，稍后介紹；
svm-toy——一個可視化的工具，用來展示訓(xùn)練數(shù)據(jù)和分類界面，里面是源碼，其編譯后的程序在windows文件夾下；
tools——主要包含四個python文件，用來數(shù)據(jù)集抽樣(subset)，參數(shù)優(yōu)選（grid），集成測試(easy),數(shù)據(jù)檢查(checkdata)；
windows——包含libSVM四個exe程序包，我們所用的庫就是他們，里面還有個heart_scale，是一個樣本文件，可以用記事本打開，用來測試用的。
其他.h和.cpp文件都是程序的源碼，可以編譯出相應(yīng)的.exe文件。其中，最重要的是svm.h和svm.cpp文件，svm-predict.c、svm-scale.c和svm-train.c（還有一個svm-toy.c在svm-toy文件夾中）都是調(diào)用的這個文件中的接口函數(shù)，編譯后就是windows下相應(yīng)的四個exe程序。另外，里面的 README 跟 FAQ也是很好的文件，對于初學(xué)者如果E文過得去，可以看一下。

2、運行python程序的環(huán)境配置

由于有可能使用到F:\libsvm\libsvm-3.22\tools下的工具，所以的搭建相應(yīng)的環(huán)境，下載兩個軟件python和gnuplot，下面說一下兩個軟件的下載地址和配置：
a.對于python，下載地址在http://www.python.org上尋找下載，我用的是python2.7的，測試成功。安裝在任意目錄就行(我放在F:)，將F:\Python27 添加到系統(tǒng)環(huán)境變量中。另外將F:\Python27 中的python.exe添加到F:\libsvm\libsvm-3.22\windows下面即可。
b.對于gnuplot，下載地址在http://www.gnuplot.info/ 。他不用安裝，直接將gp530-20180104-win64-mingw http://www.tatsuromatsuoka.com/gnuplot/Eng/winbin/解壓放到指定目錄即可（我放在F:\libsvm）。然后拷貝其中的gnuplot.exe放到F:\libsvm\libsvm-3.22\windows下面即可。

3、數(shù)據(jù)格式說明

該軟件使用的訓(xùn)練數(shù)據(jù)和檢驗數(shù)據(jù)文件格式如下：
[label] [index1]:[value1] [index2]:[value2] …
[label] [index1]:[value1] [index2]:[value2] …
Label 就是說class（屬于哪一類）, 就是你要分類的種類，通常是一些整數(shù)。
index 是有順序的索引，通常是連續(xù)的整數(shù)。就是指特征編號，必須按照升序排列
value 就是特征值，用來 train 的數(shù)據(jù)，通常是一堆實數(shù)組成。
（注：修改訓(xùn)練和測試數(shù)據(jù)的格式為程序可以識別的格式）

目標(biāo)值 第一維特征編號：第一維特征值 第二維特征編號：第二維特征值…
目標(biāo)值 第一維特征編號：第一維特征值 第二維特征編號：第二維特征值…
……
例如： 2.3 1:5.6 2:3.2
表示訓(xùn)練用的特征有兩維，第一維是5.6，第二維是3.2，目標(biāo)值是2.3
注意：訓(xùn)練和測試數(shù)據(jù)的格式必須相同，都如上所示。測試數(shù)據(jù)中的目標(biāo)值是為了計算誤差用 ）

4、svmscale的用法

svmscale是用來對原始樣本進行縮放的，范圍可以自己定，一般是[0,1]或[-1,1]。縮放的目的主要是：
1）防止某個特征過大或過小，從而在訓(xùn)練中起的作用不平衡；
2）為了計算速度。因為在核計算中，會用到內(nèi)積運算或exp運算，不平衡的數(shù)據(jù)可能造成計算困難。

用法：svmscale [-l lower] [-u upper]
[-y y_lower y_upper]
[-s save_filename
[-r restore_filename] filename

其中，[]中都是可選項：
-l：設(shè)定數(shù)據(jù)下限；lower：設(shè)定的數(shù)據(jù)下限值，缺省為-1
-u：設(shè)定數(shù)據(jù)上限；upper：設(shè)定的數(shù)據(jù)上限值，缺省為 1
-y：是否對目標(biāo)值同時進行縮放；y_lower為下值，y_upper為上限值；
-s save_filename：表示將縮放的規(guī)則保存為文件save_filename；
-r restore_filename：表示將按照已經(jīng)存在的規(guī)則文件restore_filename進行縮放；
filename：待縮放的數(shù)據(jù)文件，文件格式按照libsvm格式。

默認情況下，只需要輸入要縮放的文件名就可以了：比如(已經(jīng)存在的文件為test.txt)
svmscale test.txt
這時，test.txt中的數(shù)據(jù)已經(jīng)變成[-1,1]之間的數(shù)據(jù)了。但是，這樣原來的數(shù)據(jù)就被覆蓋了，為了讓規(guī)劃好的數(shù)據(jù)另存為其他的文件，我們用一個dos的重定向符 > 來另存為(假設(shè)為out.txt)：
svmscale test.txt > out.txt
運行后，我們就可以看到目錄下多了一個out.txt文件，那就是規(guī)范后的數(shù)據(jù)。假如，我們想設(shè)定數(shù)據(jù)范圍[0,1]，并把規(guī)則保存為test.range文件:
svmscale –l 0 –u 1 –s test.range test.txt > out.txt
這時，目錄下又多了一個test.range文件，可以用記事本打開，下次就可以用-r test.range來載入了。

5、svmtrain的用法

svmtrain我們在前面已經(jīng)接觸過，他主要實現(xiàn)對訓(xùn)練數(shù)據(jù)集的訓(xùn)練，并可以獲得SVM模型。
用法： svmtrain [options] training_set_file [model_file]
其中，options為操作參數(shù)，可用的選項即表示的涵義如下所示:
-s設(shè)置svm類型：
0 – C-SVC
1 – v-SVC
2 – one-class-SVM
3 –ε-SVR
4 – n - SVR

-t設(shè)置核函數(shù)類型，默認值為2
0 –線性核：u’*v
1 –多項式核：(g*u’*v+coef0)degree
2 – RBF核：exp(-γ*||u-v||2)
3 – sigmoid核：tanh(γ*u’*v+coef0)

-d degree:設(shè)置多項式核中degree的值，默認為3
-g γ:設(shè)置核函數(shù)中γ的值，默認為1/k，k為特征（或者說是屬性）數(shù)；
-r coef 0:設(shè)置核函數(shù)中的coef 0，默認值為0；
-c cost：設(shè)置C-SVC、ε-SVR、n - SVR中從懲罰系數(shù)C，默認值為1；
-n v：設(shè)置v-SVC、one-class-SVM與n - SVR中參數(shù)n，默認值0.5；
-p ε：設(shè)置v-SVR的損失函數(shù)中的e，默認值為0.1；
-m cachesize：設(shè)置cache內(nèi)存大小，以MB為單位，默認值為40；
-e ε：設(shè)置終止準(zhǔn)則中的可容忍偏差，默認值為0.001；
-h shrinking：是否使用啟發(fā)式，可選值為0或1，默認值為1；
-b概率估計：是否計算SVC或SVR的概率估計，可選值0或1，默認0；
-wi weight：對各類樣本的懲罰系數(shù)C加權(quán)，默認值為1；
-v n：n折交叉驗證模式；

model_file：可選項，為要保存的結(jié)果文件，稱為模型文件，以便在預(yù)測時使用。
默認情況下，只需要給函數(shù)提供一個樣本文件名就可以了，但為了能保存結(jié)果，還是要提供一個結(jié)果文件名，比如:test.model,則命令為：
svmtrain test.txt test.model

6、 svmpredict的用法

svmpredict是根據(jù)訓(xùn)練獲得的模型，對數(shù)據(jù)集合進行預(yù)測。
用法：svmpredict [options] test_file model_file output_file
其中，options為操作參數(shù)，可用的選項即表示的涵義如下所示:
-b probability_estimates——是否需要進行概率估計預(yù)測，可選值為0或者1，默認值為0。

model_file ——是由svmtrain產(chǎn)生的模型文件；
test_file——是要進行預(yù)測的數(shù)據(jù)文件，格式也要符合libsvm格式，即使不知道label的值，也要任意填一個，svmpredict會在output_file中給出正確的label結(jié)果，如果知道label的值，就會輸出正確率；
output_file ——是svmpredict的輸出文件，表示預(yù)測的結(jié)果值。

7、使用libsvm

windows 進入 cmd命令窗口
下載的libsvm包里面已經(jīng)為我們編譯好了（windows）。
進入libsvm\windows，可以看到這幾個exe文件：
a. svm-predict:
使用命令格式：svm-predict.exe test_file mode_file output_file
依照已經(jīng)train好的model ，輸入新的數(shù)據(jù)，并輸出預(yù)測新數(shù)據(jù)的類別。
b.svm-scale: 有時候特征值的波動范圍比較大需要對特征數(shù)據(jù)進行縮放，可以縮放到0–1之間（自己定義）。
c.svm-toy:似乎是圖形界面，可以自己畫點，產(chǎn)生數(shù)據(jù)等。
d.svm-train
使用命令格式：svm-train.exe [option] train_file model_file
train 會接受特定格式的輸入，產(chǎn)生一個model 文件。
第一步：可以自己生成數(shù)據(jù)，使用svm-toy：
雙擊svm-toy，點擊change可以在畫布上畫點：

點擊run,其實就是train的過程，劃分的區(qū)域：

點擊save可以保存數(shù)據(jù)（假設(shè)保存的數(shù)據(jù)在D：//libsvm.txt）。
第二步：使用訓(xùn)練數(shù)據(jù)libsvm.txt進行建模，使用svm-train：
使用cmd命令進入到我們解壓的libsvm目錄中的windows目錄，使用svm-train，如下：

其中，
iter為迭代次數(shù)，
nu 是你選擇的核函數(shù)類型的參數(shù)，
obj為SVM文件轉(zhuǎn)換為的二次規(guī)劃求解得到的最小值，
rho為判決函數(shù)的偏置項b，
nSV 為標(biāo)準(zhǔn)支持向量個數(shù)介于[0，c]
nBSV為邊界上的支持向量個數(shù)(a[i]=c)，
Total nSV為支持向量總個數(shù)（對于兩類來說，因為只有一個分類模型Total nSV = nSV，但是對于多類，這個是各個分類模型的nSV之和
同時在該目錄下會生成一個訓(xùn)練好的model（libsvm.txt.model）可以打開文件查看里面的內(nèi)容，主要包括一些參數(shù)和支持向量等
第三步：使用建好的model進行預(yù)測，使用svm-predict

同時會生成一個輸出文件（libsvm.txt.out）,每行代表該行的預(yù)測值類別。

8、參數(shù)優(yōu)化

svm的參數(shù)優(yōu)化很重要，libsvm包里面包含了參數(shù)的優(yōu)化函數(shù)，主要是暴力求解參數(shù)。一般來說我們會使用高斯核函數(shù)，包含兩個參數(shù)（c 和 g）
使用gird.py文件進行參數(shù)優(yōu)化選擇:
grid.py在libsvm/tools里面，首先需要修改gird.py中的gnuplot文件路徑問題，把文件里的路徑改成gnuplot 存放的目錄：

進入grid.py的相應(yīng)目錄，執(zhí)行g(shù)rid.py D://libsvm.txt

前面兩個分別是c 跟g的值，這時候我們重新訓(xùn)練模型（加上參數(shù)c g）

可以看到，準(zhǔn)確率有了顯著的提升， 其實這些步驟完全可以使用easy.py進行實現(xiàn)，同理也需要修改eays.py里面的gnuplot文件路徑問題，把文件里的路徑改成gnuplot 存放的目錄

步驟總結(jié)如下：
1.轉(zhuǎn)換訓(xùn)練數(shù)據(jù)為相應(yīng)的格式。
2.有時候可能需要使用 svm-scale對數(shù)據(jù)進行相應(yīng)的縮放，有利于訓(xùn)練建模。

3.使用grid.py或者easy.py進行參數(shù)優(yōu)化。
4.使用svm-train建模和svm-predict進行預(yù)測。

參考:
https://www.cnblogs.com/zhazhiqiang/p/3599218.html
https://jingyan.baidu.com/article/86fae346f8a7113c49121a3f.html
http://blog.csdn.net/zy_zhengyang/article/details/45009431

總結(jié)

以上是生活随笔為你收集整理的LIBSVM使用方法的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。