LIBSVM的安装——Mac/Windows


一、Mac下LIBSVM的安装

测试环境:OS X10.10+Xcode6.4+MATLAB2014b+libsvm3.20


  1. 下载LIBSVM。
  2. 解压至某文件夹,最好是全英文路径下,此文件夹要一直保留,安装完毕后也不可删除,建议放在MATLAB的toolbox文件夹下。
  3. 设置MATLAB搜索路径:
    进入MATLAB->Set Path->Add with Subfolders->选择你解压好的libsvm-3.20目录->Save->Close
  4. 查看SDK的版本:
    Contents->Developer->Platforms->MacOSXplatform->Developer->SDKs
  5. Finder->应用程序->MATLAB_R2014b->右键->显示包内容->bin->mexopts.sh(可先备份)
    按照下图修改
    这里写图片描述
  6. MATLAB command window 运行以下语句:
cd(matlabroot)
cd bin
mex -setup

这里写图片描述
输入

1

回车(具体输入几按提示来就好)
7. 将工作目录切换至之前解压好的libsvm-3.20目录下的子目录matlab下
这里写图片描述
输入命令

make

这里写图片描述
8. 测试:

[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');
model = svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07');
[predict_label, accuracy, dec_values] = svmpredict(heart_scale_label,heart_scale_inst, model);

显示

Accuracy = 86.6667% (234/270) (classification)

则安装成功!


*************************************


二、Windows下LIBSVM的安装

测试环境:xp+vs2010+MATLAB2013a+libsvm3.20


  1. 下载LIBSVM。
  2. 解压至某文件夹,最好是全英文路径下,此文件夹要一直保留,安装完毕后也不可删除,建议放在MATLAB的toolbox文件夹下。
  3. 设置MATLAB搜索路径:
    进入MATLAB,Set Path->Add with Subfolders->选择你解压好的libsvm-3.20目录->Save->Close
  4. 将工作目录切换至之前解压好的libsvm-3.20目录下的子目录matlab下
  5. 选择编译器
mex -setup

按照提示选择编译器:这里本人选择的是VS2010

这里写图片描述
6. MATLAB command window 运行:

make

matlab文件夹下会生成4个文件libsvmread.mexw32,libsvmwrite.mexw32,svmtrain.mexw32,svmpredict.mexw32
7. 测试:

[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');
model = svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07');
[predict_label, accuracy, dec_values] = svmpredict(heart_scale_label,heart_scale_inst, model);

显示

Accuracy = 86.6667% (234/270) (classification)

则安装成功!

  • 3
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
好的,我会为您介绍如何使用Matlab安装配置libsvm以及一个svm分类实例。 步骤1:下载libsvm 首先,您需要从libsvm官网下载所需的libsvm版本。下载链接为:https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 下载完成后,您需要解压缩文件。 步骤2:添加libsvmMatlab路径 打开Matlab,选择"Set Path"选项,然后添加libsvm文件夹路径。这样libsvm的函数就可以被Matlab调用了。 步骤3:准备数据 为了演示如何使用libsvm分类器程序,我们需要准备一些数据。在这个例子中,我们将使用UCI的Iris数据集。您可以从以下链接下载数据集:https://archive.ics.uci.edu/ml/datasets/iris 步骤4:加载并处理数据 使用Matlab的load函数加载数据,然后将数据分为训练集和测试集。在这个例子中,我们将使用70%的数据作为训练集,30%的数据作为测试集。 ```matlab % Load iris dataset load iris.mat % Split data into training and testing sets (70/30 split) [trainIdx,testIdx] = dividerand(size(iris,1),0.7,0.3); trainData = iris(trainIdx,:); testData = iris(testIdx,:); ``` 步骤5:使用libsvm分类器 我们将使用libsvm中的svmtrain函数训练一个线性SVM模型,并使用svmpredict函数进行预测。以下是完整的Matlab代码: ```matlab % Load iris dataset load iris.mat % Split data into training and testing sets (70/30 split) [trainIdx,testIdx] = dividerand(size(iris,1),0.7,0.3); trainData = iris(trainIdx,:); testData = iris(testIdx,:); % Train a linear SVM model model = svmtrain(trainData(:,end),trainData(:,1:end-1),'-t 0'); % Make predictions on the testing set [predicted_label, accuracy, decision_values] = svmpredict(testData(:,end),testData(:,1:end-1),model); ``` 在上面的代码中,我们首先使用svmtrain函数训练一个线性SVM模型,然后使用svmpredict函数对测试集进行分类,并输出预测准确率和决策值。 希望这个简单的例子能帮助您了解如何使用libsvm进行分类。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值