LibSVM学习（三）——LibSVM使用规范
?? 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(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行轉化。
?
?
?
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]?？s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(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：設定數(shù)據(jù)下限；lower：設定的數(shù)據(jù)下限值，缺省為-1
???????? -u：設定數(shù)據(jù)上限；upper：設定的數(shù)據(jù)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(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)對訓練數(shù)據(jù)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(shù)，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(shù)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(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:設置核函數(shù)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(shù)C，默認值為1；
???????? -n v ：設置v-SVC、one-class-SVM 與n - SVR 中參數(shù)n ，默認值0.5；
???????? -p ε ：設置v-SVR的損失函數(shù)中的e ，默認值為0.1；
???????? -m cachesize：設置cache內(nèi)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(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，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(shù)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.model,則命令為：
???????????????????????????????????????? svmtrain test.txt test.model
?
結果說明見LibSVM學習（二）。
?
4. svmpredict 的用法
?
??? svmpredict 是根據(jù)訓練獲得的模型，對數(shù)據(jù)集合進行預測。
?
?? 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，表示預測的結果值。
?
?? 至此，主要的幾個接口已經(jīng)講完了，滿足一般的應用不成問題。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。
本文來自CSDN博客，轉載請標明出處：http://blog.csdn.net/flydreamGG/archive/2009/08/21/4468995.aspx
總結
以上是生活随笔為你收集整理的LibSVM学习（三）——LibSVM使用规范的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： LibSVM学习（二）——第一次体验li
- 下一篇： libsvm学习 all