LIBSVM在64位電腦系統(tǒng)下，不用進(jìn)行編譯（mex –setup等）即可使用。只需要進(jìn)入mex文件所在的文件夾即可調(diào)用相應(yīng)的方法。

本文所使用的是libsvm-3.17，在我的資源分享頁(yè)面中可以下載。

1.安裝

（1）將下載下來(lái)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(cè)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(duì)應(yīng)libsvmread.mex64文件

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

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

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

? ? ? ? #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(xiàng)b，nSV為標(biāo)準(zhǔn)支持向量個(gè)數(shù)

2.使用

（1） libSVM的數(shù)據(jù)格式

Label 1:value 2:value ….

Label：是類別的標(biāo)識(shí)，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(shí)事求是了。

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

注：如果特征值為0，特征冒號(hào)前面的(姑且稱做序號(hào))可以不連續(xù)。如：

-15 1:0.708 3:-0.3333

（2）svmscale的用法

svmscale是用來(lái)對(duì)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(gè)特征過(guò)大或過(guò)小，從而在訓(xùn)練中起的作用不平衡；

2）為了計(jì)算速度。因?yàn)樵诤擞?jì)算中，會(huì)用到內(nèi)積運(yùn)算或exp運(yùn)算，不平衡的數(shù)據(jù)可能造成計(jì)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(xiàng)：

?????????-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(duì)目標(biāo)值同時(shí)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l(shuí)ibsvm格式。

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

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

????這時(shí)，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(lái)的數(shù)據(jù)就被覆蓋了，

e.g.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(gè)dos的重定向符?>?來(lái)另存為(假設(shè)為out.txt)：

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

???運(yùn)行后，out.txt文件就是規(guī)范后的數(shù)據(jù)。

e.g.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(shí)，目錄下又多了一個(gè)test.range文件，可以用記事本打開，下次就可以用-r test.range來(lái)載入了。

（3）?svmtrain的用法

svntrain對(duì)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(xiàng)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(xiàng)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(shè)置多項(xiàng)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(shuō)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(jì)：是否計(jì)算SVC或SVR的概率估計(jì)，可選值0?或1，默認(rèn)0；

??-wi weight：對(duì)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(yàn)證模式；

model_file：可選項(xiàng)，為要保存的結(jié)果文件，稱為模型文件，以便在預(yù)測(cè)時(shí)使用。

????默認(rèn)情況下，只需要給函數(shù)提供一個(gè)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(gè)結(jié)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(jù)訓(xùn)練獲得的模型，對(duì)數(shù)據(jù)集合進(jìn)行預(yù)測(cè)。

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

a記錄了對(duì)應(yīng)樣本識(shí)別出來(lái)的類別?
b正確率以及模型參數(shù)?
c分類概率?

3.經(jīng)典案例

出現(xiàn)的錯(cuò)誤及其原因總結(jié)

錯(cuò)誤：SVMTRAIN only supports classification into two groups. GROUP contains 21 groups.

原因：沒有導(dǎo)入libsvm工具箱，重復(fù)安裝中的2步驟，運(yùn)行時(shí)要添加到路徑。

case1：

%%clean work tic;%記錄運(yùn)行時(shí)間 close all;%關(guān)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(shù)據(jù) 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(xùn)練集上的回歸效果 [py,mse,prob] = svmpredict(y,x,model,'-b 0'); figure;%建立一個(gè)窗口 plot(x,y,'o');%原始數(shù)據(jù)以o這種形式標(biāo)記 hold on;%保持當(dāng)前圖像不刷新 plot(x,py,'r*');%回歸數(shù)據(jù)以紅色的*標(biāo)記 legend('原始數(shù)據(jù)','回歸數(shù)據(jù)');%設(shè)置圖例線條 grid on;%畫圖的時(shí)候添加網(wǎng)格線%進(jìn)行預(yù)測(cè) testx = [1.1;1.2;1.3]; display('真實(shí)數(shù)據(jù)');%控制臺(tái)輸出 testy = -testx.^2 [ptesty,tmse,prob2] = svmpredict(testy,testx,model,'-b 0'); display('預(yù)測(cè)數(shù)據(jù)'); ptestytoc

運(yùn)行結(jié)果：

原博主是通過(guò)y=-x^2這個(gè)表達(dá)式進(jìn)行訓(xùn)練，在圖像上顯示原始數(shù)據(jù)和回歸數(shù)據(jù)。

case2：

?

總結(jié)

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?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。