LIBSVM附带用例一个测试--新手初体验

1、网上已经有很多关于林教授的LIBSVM使用说明了，这里我只是演示附带的一个heart-scale用例来给那些新手们一个更加直观的初体验：svm-train 与svm-predict的使用：首先，我们要把LIBSVM这个文件夹拷到一个简单路径下，如：D:libsvm,这样是为了方便输入运行，接下来在电脑“开始”-附件- “运行”中输入cmd，进入DOS环境如下图：下面我们就要运行svm-train了：svmtrain的语法大致就是:svmtrain options training_set_file model_file其中，options为操作参数，可用的选项即表示的涵义如下所示:-s设置sv

2、m类型：0 C-SVC1 v-SVC2 one-class-SVM3 -SVR4 n - SVR-t设置核函数类型，默认值为20 -线性核：u*v1 -多项式核：(g*u*v+coef0)degree2 - RBF核：exp(-*|u-v|2)3 - sigmoid核：tanh(*u*v+coef0)-d degree:设置多项式核中degree的值，默认为3-g:设置核函数中的值，默认为1/k，k为特征（或者说是属性）数；-r coef 0:设置核函数中的coef 0，默认值为0；-c cost：设置C-SVC、-SVR、n - SVR中从惩罚系数C，默认值为1；-n v：设置v-SVC、o

3、ne-class-SVM与n - SVR中参数n，默认值0.5；-p：设置v-SVR的损失函数中的e，默认值为0.1；-m cachesize：设置cache内存大小，以MB为单位，默认值为40；-e：设置终止准则中的可容忍偏差，默认值为0.001；-h shrinking：是否使用启发式，可选值为0或1，默认值为1；-b概率估计：是否计算SVC或SVR的概率估计，可选值0或1，默认0；-wi weight：对各类样本的惩罚系数C加权，默认值为1；-v n：n折交叉验证模式；model_file：可选项，为要保存的结果文件，称为模型文件，以便在预测时使用。默认情况下，只需要给函数提供一个样本文

4、件名就可以了，但为了能保存结果，还是要提供一个结果文件名，比如:train.txt,则命令为：svmtrain object.txt train.txt现在，我们输入svm-train heart_scale train.txt,（heart_scale是附带用例）得下图：其中，#iter为迭代次数，nu是你选择的核函数类型的参数，obj为SVM文件转换为的二次规划求解得到的最小值，rho为判决函数的偏置项b，nSV为标准支持向量个数(0aic)，nBSV为边界上的支持向量个数(ai=c)，Total nSV为支持向量总个数（对于两类来说，因为只有一个分类模型Total nSV = nSV，但

5、是对于多类，这个是各个分类模型的nSV之和）。在目录下，还可以看到产生了一个train.txt文件，可以用记事本打开，记录了训练后的结果。现在，我们在来测试一下svm-predict命令, svmpredict是根据训练获得的模型，对数据集合进行预测。为了能够预测，我们这里就将heart-scale文件中的数据直接拷到自命名为test.txt的文件中，用来预测：用法：svmpredict options test_file model_file output_file其中，options为操作参数，可用的选项即表示的涵义如下所示:-b probability_estimates是否需要进行概率

6、估计预测，可选值为0或者1，默认值为0。model_file 是由svmtrain产生的模型文件；test_file是要进行预测的数据文件，格式也要符合libsvm格式，即使不知道label的值，也要任意填一个，svmpredict会在output_file中给出正确的label结果，如果知道label的值，就会输出正确率；output_file 是svmpredict的输出文件，表示预测的结果值。输入svm-predict heart-test.txt train.txt out.txt,得下图：在目录下现在可以看到一个out.txt文件，它里面记录了结果。熟悉SVM原理的读者都知道，SVM

7、通过引入松弛变量来优化原来的问题，从而实现了软间隔分类器，使得分类器具有一定的容错能力（有的时候那些不可分的很可能是噪声），下面我们来看看如何调节我们的惩罚因子C，这里通过演示C的使用，读者可以根据自己的情况尝试着调试其他的参数（上面有关于这些参数的说明）来优化自己的训练结果：令C = 100时：输入 svm-train c 100 heart-scale train-c=100.txt,得到下图：输入：svm-predict heart-test.txt train-c=100.txt out.txt,得下图：我们发现识别的正确率Accuracy提高了！（关于惩罚因子的作用请查阅有关资料）。最后，我有测试了令C= 1000时的情况，结果如下图所示：呵呵，正确率为100%了！再来简要的说一下svm-toy的使用吧，这个也只是让自己或者别人在视觉上有一个大致的体验：1 运行svm-toy，在窗口内点几点，这几点是同一种颜色的，表示的是同一类；2 点击“ch