其實，這部分寫也是多余，google一下“l(fā)ibsvm使用”，就會N多的資源，但是，為了讓你少費點心，在這里就簡單的介紹一下，有不清楚的只有動動你的mouse了。需要說明的是，2.89版本以前，都是svmscale、svmtrain和svmpredict，最新的是svm-scale、svm-train和svm-predict，要是用不習(xí)慣，只需要把那四個exe文件名去掉中間的短橫線，改成svmscale、svmtrain和svmpredict就可以了，我們還是按原來函數(shù)名的講。

1. libSVM的數(shù)據(jù)格式

Label 1:value 2:value ….

Label：是類別的標(biāo)識，比如上節(jié)train.model中提到的1 -1，你可以自己隨意定，比如-10，0，15。當(dāng)然，如果是回歸，這是目標(biāo)值，就要實事求是了。

Value：就是要訓(xùn)練的數(shù)據(jù)，從分類的角度來說就是特征值，數(shù)據(jù)之間用空格隔開

比如: -15 1:0.708 2:1056 3:-0.3333

需要注意的是，如果特征值為0，特征冒號前面的(姑且稱做序號)可以不連續(xù)。如：

-15 1:0.708 3:-0.3333

表明第2個特征值為0，從編程的角度來說，這樣做可以減少內(nèi)存的使用，并提高做矩陣內(nèi)積時的運算速度。我們平時在matlab中產(chǎn)生的數(shù)據(jù)都是沒有序號的常規(guī)矩陣，所以為了方便最好編一個程序進(jìn)行轉(zhuǎn)化。

2. svmscale的用法

svmscale是用來對原始樣本進(jìn)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(jìn)行縮放；y_lower為下限值，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(jìn)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(rèn)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。

3. 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(rèn)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(rèn)為3

-gγ: 設(shè)置核函數(shù)中γ的值，默認(rèn)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(rèn)值為0；

-c cost：設(shè)置C-SVC、ε-SVR、n - SVR中從懲罰系數(shù)C，默認(rèn)值為1；

-n v ：設(shè)置v-SVC、one-class-SVM 與n - SVR 中參數(shù)n ，默認(rèn)值0.5；

-p ε ：設(shè)置v-SVR的損失函數(shù)中的e ，默認(rèn)值為0.1；

-m cachesize：設(shè)置cache內(nèi)存大小，以MB為單位，默認(rèn)值為40；

-e ε ：設(shè)置終止準(zhǔn)則中的可容忍偏差，默認(rèn)值為0.001；

-h shrinking：是否使用啟發(fā)式，可選值為0 或1，默認(rèn)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(rèn)0；

-wi weight：對各類樣本的懲罰系數(shù)C加權(quán)，默認(rèn)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(rèn)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

結(jié)果說明見LibSVM學(xué)習(xí)(二)。

4.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(jìn)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(jìn)行概率估計預(yù)測，可選值為0 或者1，默認(rèn)值為0。

model_file ——是由svmtrain 產(chǎn)生的模型文件；

test_file—— 是要進(jìn)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。

至此，主要的幾個接口已經(jīng)講完了，滿足一般的應(yīng)用不成問題。對于要做研究的，還需要深入到svm.cpp文件內(nèi)部，看看都做了什么。

總結(jié)

以上是生活随笔為你收集整理的java更改exif信息_照片EXIF信息的读取和改写的JAVA实现的全部內(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。