Python 使用 LibSVM

1、下载地址下载地址

 

2、安装：pip install libsvm-3.22-cp37-cp37m-win32.whl

 

3、测试程序：

# coding:utf-8 
from svmutil import *
from svm import *
y, x = [1, -1], [{1: 1, 2: 1}, {1: -1, 2: -1}]
prob = svm_problem(y, x)
param = svm_parameter('-t 0 -c 4 -b 1')
model = svm_train(prob, param)
yt = [1]
xt = [{1: 1, 2: 1}]
p_label, p_acc, p_val = svm_predict(yt, xt, model)
print(p_label)

 

4、函数说明：

svm_problem：数据预处理，保存定义SVM模型的训练数据

svm_parameter：存储训练SVM模型所需的各种参数；

svm_train：用于训练svm_model模型

svm_predict：

参数：y 测试数据的标签；x 测试数据的输入向量；model为训练好的SVM模型。

返回值：p_labs是存储预测标签的列表；p_acc存储了预测的精确度，均值和回归的平方相关系数；p_vals在指定参数'-b 1'时将返回判定系数(判定的可靠程度)。

svm_train的参数：

• -s SVM的类型(svm_type)

  • 0 -- C-SVC(默认)：使用惩罚因子(Cost)的处理噪声的多分类器

  • 1 -- nu-SVC(多分类器)：按照错误样本比例处理噪声的多分类器

  • 2 -- one-class SVM：一类支持向量机，可参见"SVDD"的相关内容

  • 3 -- epsilon-SVR(回归)：epsilon支持向量回归

  • 4 -- nu-SVR(回归)

• -t 核函数类型(kernel_type)

  • 0 -- linear(线性核)：u'*v

  • 1 -- polynomial(多项式核)：(gamma*u'*v + coef0)^degree

  • 2 -- radial basis function(RBF,径向基核/高斯核)：exp(-gamma*|u-v|^2)

  • 3 -- sigmoid(S型核)：tanh(gamma*u'*v + coef0)

  • 4 -- precomputed kernel(预计算核)：核矩阵存储在training_set_file中

下面是调整SVM或核函数中参数的选项：

• -d 调整核函数的degree参数，默认为3

• -g 调整核函数的gamma参数，默认为1/num_features

• -r 调整核函数的coef0参数，默认为0

• -c 调整C-SVC, epsilon-SVR 和 nu-SVR中的Cost参数，默认为1

• -n 调整nu-SVC, one-class SVM 和 nu-SVR中的错误率nu参数，默认为0.5

• -p 调整epsilon-SVR的loss function中的epsilon参数，默认0.1

• -m 调整内缓冲区大小,以MB为单位，默认100

• -e 调整终止判据，默认0.001

• -wi调整C-SVC中第i个特征的Cost参数

调整算法功能的选项：

• -b 是否估算正确概率,取值0 - 1，默认为0

• -h 是否使用收缩启发式算法(shrinking heuristics),取值0 - 1，默认为0

• -v 交叉校验

• -q 静默模式