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