LIBSVM在64位電腦系統下，不用進行編譯（mex –setup等）即可使用。只需要進入mex文件所在的文件夾即可調用相應的方法。

本文所使用的是libsvm-3.17，在我的資源分享頁面中可以下載。

1.安裝

（1）將下載下來的libsvm放在MATLAB安裝的toolbox文件夾下。如下圖所示：

（2）在MATLAB的地址欄中找到mex64文件所在的位置一般是放在Windows文件夾中，如下圖所示：

（3）測試：將heart_scale文件放在Windows文件夾下；

? ? ? ? ? ?命令窗口輸入：[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale'); ?%這里的 ? ? ? ? ? ? ? ? ? ? ? ? ??libsvmread（）對應libsvmread.mex64文件

? ? ? ? ? ? ? ? ? ? ? ? ?model = svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07');%這 ? ? ? ? ? ? ? ? ? ? ? ? ? ?里的svmtrain（）對應svmtrain.mex64文件

? ? ? ? ? ? ? ? ? ? ? ? [predict_label, accuracy, dec_values] = svmpredict(heart_scale_label,hea ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?rt_scale_inst, model);%?這里的svmpredict（）對應svmpredict.mex64文件

? ? ? ? ? ? 輸出結果如下圖所示，則表明Libsvm工具可以使用。

? ? ? ? #iter為迭代次數，nu是你選擇的核函數類型的參數，obj為SVM文件轉換為的二次規劃求解得到的最小值，rho為判決函數的偏置項b，nSV為標準支持向量個數

2.使用

（1） libSVM的數據格式

Label 1:value 2:value ….

Label：是類別的標識，比如上節train.model中提到的1 -1，你可以自己隨意定，比如-10，0，15。當然，如果是回歸，這是目標值，就要實事求是了。

Value：就是要訓練的數據，從分類的角度來說就是特征值，數據之間用空格隔開

注：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。如：

-15 1:0.708 3:-0.3333

（2）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，會用到內積運算或exp運算，不平衡的數據可能造成計算困難。

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：設定數據下限；lower：設定的數據下限值，缺省為-1

?????????-u：設定數據上限；upper：設定的數據上限值，缺省為?1

?????????-y：是否對目標值同時進行縮放；y_lower為下限值，y_upper為上限值；

?????????-s save_filename：表示將縮放的規則保存為文件save_filename；

?????????-r restore_filename：表示將按照已經存在的規則文件restore_filename進行縮放；

???????? filename：待縮放的數據文件，文件格式按照libsvm格式。

e.g.默認情況下，只需要輸入要縮放的文件名：(已經存在的文件為test.txt）

?????????????????????????svmscale test.txt

????這時，test.txt中的數據已經變成[-1,1]之間的數據了。但是，這樣原來的數據就被覆蓋了，

e.g.為了讓規劃好的數據另存為其他的文件，我們用一個dos的重定向符?>?來另存為(假設為out.txt)：

??????????????????????? svmscale test.txt > out.txt

???運行后，out.txt文件就是規范后的數據。

e.g.我們想設定數據范圍[0,1]，并把規則保存為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

svntrain對訓練數據集的訓練，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，可用的選項即表示的涵義如下所示:

? -s?設置svm類型：

?????????0 – C-SVC

?????????1 – v-SVC

?????????2 – one-class-SVM

?????????3 –?ε-SVR

?????????4 – n - SVR

? -t?設置核函數類型，默認值為2

?????????0 --?線性核：u'*v

?????????1 --?多項式核：?(g*u'*v+?coef?0)^degree

?????????2 -- RBF?核：exp(-γ*||u-v||²)

?????????3 -- sigmoid?核：tanh(γ*u'*v+?coef?0)

? -d degree:?設置多項式核中degree的值，默認為3

? -gγ:?設置核函數中γ的值，默認為1/k，k為特征（或者說是屬性）數；

??-r coef 0:設置核函數中的coef 0，默認值為0；

??-c cost：設置C-SVC、ε-SVR、n - SVR中從懲罰系數C，默認值為1；

??-n v?：設置v-SVC、one-class-SVM?與n - SVR?中參數n?，默認值0.5；

??-p?ε?：設置v-SVR的損失函數中的e?，默認值為0.1；

??-m cachesize：設置cache內存大小，以MB為單位，默認值為40；

??-e?ε?：設置終止準則中的可容忍偏差，默認值為0.001；

??-h shrinking：是否使用啟發式，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C加權，默認值為1；

??-v n：n折交叉驗證模式；

model_file：可選項，為要保存的結果文件，稱為模型文件，以便在預測時使用。

????默認情況下，只需要給函數提供一個樣本文件名就可以了，但為了能保存結果，還是要提供一個結果文件名，比如:test.mod ? ? el,則命令為： ? ??svmtrain test.txt test.model

(4)svmpredict的用法

svmpredict是根據訓練獲得的模型，對數據集合進行預測。

[predict_label, accuracy, prob_values] = svmpredict(testLabel, testData, model, ‘-b 1’); % run the SVM model on the test data

a記錄了對應樣本識別出來的類別?
b正確率以及模型參數?
c分類概率?

3.經典案例

出現的錯誤及其原因總結

錯誤：SVMTRAIN only supports classification into two groups. GROUP contains 21 groups.

原因：沒有導入libsvm工具箱，重復安裝中的2步驟，運行時要添加到路徑。

case1：

%%clean work tic;%記錄運行時間 close all;%關閉所有figure窗口 clear;%清空變量 clc;%清空命令 format compact;%空格緊湊%生成待回歸的數據 x = (-1:0.1:1)'; y = -x.^2;%建立回歸模型 model = svmtrain(y,x,'-s 3 -t 2 -c 2.2 -g 2.8 -p 0.01');%利用建立的模型看其在訓練集上的回歸效果 [py,mse,prob] = svmpredict(y,x,model,'-b 0'); figure;%建立一個窗口 plot(x,y,'o');%原始數據以o這種形式標記 hold on;%保持當前圖像不刷新 plot(x,py,'r*');%回歸數據以紅色的*標記 legend('原始數據','回歸數據');%設置圖例線條 grid on;%畫圖的時候添加網格線%進行預測 testx = [1.1;1.2;1.3]; display('真實數據');%控制臺輸出 testy = -testx.^2 [ptesty,tmse,prob2] = svmpredict(testy,testx,model,'-b 0'); display('預測數據'); ptestytoc

運行結果：

原博主是通過y=-x^2這個表達式進行訓練，在圖像上顯示原始數據和回歸數據。

case2：

?

總結

以上是生活随笔為你收集整理的libsvm的安装和使用（1）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。