libsvm的安装和使用（1）

LIBSVM在64位电脑系统下，不用进行编译（mex –setup等）即可使用。只需要进入mex文件所在的文件夹即可调用相应的方法。

本文所使用的是libsvm-3.17，在我的资源分享页面中可以下载。

1.安装

（1）将下载下来的libsvm放在MATLAB安装的toolbox文件夹下。如下图所示：

（2）在MATLAB的地址栏中找到mex64文件所在的位置一般是放在Windows文件夹中，如下图所示：

（3）测试：将heart_scale文件放在Windows文件夹下；

           命令窗口输入：[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');  %这里的                           libsvmread（）对应libsvmread.mex64文件

                         model = svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07');%这                            里的svmtrain（）对应svmtrain.mex64文件

                        [predict_label, accuracy, dec_values] = svmpredict(heart_scale_label,hea                              rt_scale_inst, model);% 这里的svmpredict（）对应svmpredict.mex64文件

            输出结果如下图所示，则表明Libsvm工具可以使用。

        #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

2.使用

（1） libSVM的数据格式

Label 1:value 2:value ….

Label：是类别的标识，比如上节train.model中提到的1 -1，你可以自己随意定，比如-10，0，15。当然，如果是回归，这是目标值，就要实事求是了。

Value：就是要训练的数据，从分类的角度来说就是特征值，数据之间用空格隔开

注：如果特征值为0，特征冒号前面的(姑且称做序号)可以不连续。如：

-15 1:0.708 3:-0.3333

（2）svmscale的用法

svmscale是用来对原始样本进行缩放的，范围可以自己定，一般是[0,1]或[-1,1]。缩放的目的主要是

1）防止某个特征过大或过小，从而在训练中起的作用不平衡；

2）为了计算速度。因为在核计算中，会用到内积运算或exp运算，不平衡的数据可能造成计算困难。

用法：svmscale [-l lower] [-u upper]

               [-y y_lower y_upper]

               [-s save_filename]

               [-r restore_filename] filename

其中，[]中都是可选项：

         -l：设定数据下限；lower：设定的数据下限值，缺省为-1

         -u：设定数据上限；upper：设定的数据上限值，缺省为 1

         -y：是否对目标值同时进行缩放；y_lower为下限值，y_upper为上限值；

         -s save_filename：表示将缩放的规则保存为文件save_filename；

         -r restore_filename：表示将按照已经存在的规则文件restore_filename进行缩放；

         filename：待缩放的数据文件，文件格式按照libsvm格式。

e.g.默认情况下，只需要输入要缩放的文件名：(已经存在的文件为test.txt）

                         svmscale test.txt

    这时，test.txt中的数据已经变成[-1,1]之间的数据了。但是，这样原来的数据就被覆盖了，

e.g.为了让规划好的数据另存为其他的文件，我们用一个dos的重定向符 > 来另存为(假设为out.txt)：

                        svmscale test.txt > out.txt

   运行后，out.txt文件就是规范后的数据。

e.g.我们想设定数据范围[0,1]，并把规则保存为test.range文件:

                         svmscale –l 0 –u 1 –s test.range test.txt > out.txt

这时，目录下又多了一个test.range文件，可以用记事本打开，下次就可以用-r test.range来载入了。

（3） svmtrain的用法

svntrain对训练数据集的训练，并可以获得SVM模型。

 用法： 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svm类型：

         0 – C-SVC

         1 – v-SVC

         2 – one-class-SVM

         3 – ε-SVR

         4 – n - SVR

  -t 设置核函数类型，默认值为2

         0 -- 线性核：u'*v

         1 -- 多项式核： (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: 设置多项式核中degree的值，默认为3

  -gγ: 设置核函数中γ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、ε-SVR、n - SVR中从惩罚系数C，默认值为1；

  -n v ：设置v-SVC、one-class-SVM 与n - SVR 中参数n ，默认值0.5；

  -p ε ：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 ε ：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:test.mod     el,则命令为：     svmtrain test.txt test.model

(4)svmpredict的用法

svmpredict是根据训练获得的模型，对数据集合进行预测。

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

a记录了对应样本识别出来的类别 
b正确率以及模型参数 
c分类概率 

3.经典案例

出现的错误及其原因总结

错误：SVMTRAIN only supports classification into two groups. GROUP contains 21 groups.

原因：没有导入libsvm工具箱，重复安装中的2步骤，运行时要添加到路径。

case1：

%%clean work
tic;%记录运行时间
close all;%关闭所有figure窗口
clear;%清空变量
clc;%清空命令
format compact;%空格紧凑

%生成待回归的数据
x = (-1:0.1:1)';
y = -x.^2;

%建立回归模型
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训练集上的回归效果
[py,mse,prob] = svmpredict(y,x,model,'-b 0');
figure;%建立一个窗口
plot(x,y,'o');%原始数据以o这种形式标记
hold on;%保持当前图像不刷新
plot(x,py,'r*');%回归数据以红色的*标记
legend('原始数据','回归数据');%设置图例线条
grid on;%画图的时候添加网格线

%进行预测
testx = [1.1;1.2;1.3];
display('真实数据');%控制台输出
testy = -testx.^2
[ptesty,tmse,prob2] = svmpredict(testy,testx,model,'-b 0');
display('预测数据');
ptesty

toc

运行结果：

原博主是通过y=-x^2这个表达式进行训练，在图像上显示原始数据和回归数据。

case2：