SVM-- pycharm中libsvm基础实验

1 导入libsvm包

libsvm下载地址：http://www.csie.ntu.edu.tw/~cjlin/libsvm/oldfiles/

如果libsvm需要经常使用，可以将libsvm包添加到Python的默认lib中，也就是放到Python安装路径下的Lib文件夹下的site-packages文件夹中。然后再libsvm文件夹中添加__init__.py(init前后都是双下划线)文件，在libsvm中的Python文件夹中也添加__init__.py文件。Python包，也就是能够导入的文件夹包中，必须包含__init__.py，否则无法实现导入。

导入包检测不报错即可

>>> from libsvm322.python.svm import *
>>> from libsvm322.python.svmutil import *

也可以不添加到Python默认路径中，直接

import sys
sys.path.append("...libsvm322\python")
import svm 
import svmutil

注意：
pycharm中，会将运行环境复制一份到当前项目下，作为目录venv。在pycharm中运行，必须要将包复制到当前项目下的venv\Lib\site-packages目录下。

2 完整实验代码

#coding = utf-8

from libsvm322.python.svm import *
from libsvm322.python.svmutil import *

y,x = svm_read_problem('D:\javaTools\code\MachineLearning\libsvm-3.22\heart_scale')
m = svm_train(y[:200], x[:200], '-c 4')
print '----------------'
lable, acc, val = svm_predict(y[200:], x[200:], m)

运行结果：

*.*
optimization finished, #iter = 257
nu = 0.351161
obj = -225.628984, rho = 0.636110
nSV = 91, nBSV = 49
Total nSV = 91
----------------
Accuracy = 84.2857% (59/70) (classification)

Process finished with exit code 0

能够看到84%的准确度。

3 数据格式

libsvm的数据格式如下：
<label> <index1>:<value1> <index2>:<value2> ...

+1 1:0.708333 2:1 3:1 
-1 1:0.583333 2:-1 3:0.333333 
+1 1:0.166667 2:1 3:-0.333333 

第一列代表标签，
第二列是第一个特征值，只包含一个整数索引和一个浮点值属性。
第三列是第二个特征值，只包含一个整数索引和一个浮点值属性。
…
所以，先要把数据按规定格式整理好。然后开始训练.。

4 其他数据实验

我们造几列数据进行实验。

1 1:175 2:60
1 1:185 2:70
-1 1:155 2:40
-1 1:165 2:50
-1 1:170 2:50

1表示男，-1表示女。我们将前4行训练，最后一行预测。

# -*- coding = utf-8 -*-
from libsvm322.python.svmutil import *

y,x = svm_read_problem('data')

m = svm_train(y[:4], x[:4], '-c 4')
print '----------------'
lable, acc, val = svm_predict(y[4:], x[4:], m)
print lable

结果：

*
optimization finished, #iter = 2
nu = 0.250000
obj = -2.000000, rho = 0.000000
nSV = 4, nBSV = 0
Total nSV = 4
----------------
Accuracy = 100% (1/1) (classification)
[-1.0]

Process finished with exit code 0

Python接口

在libsvm-3.20的python文件夹下主要包括了两个文件svm.py和svmutil.py。
svmutil.py接口主要包括了high-level的函数，这些函数的使用和LIBSVM的MATLAB接口大体类似

svmutil.py中主要包含了以下几个函数：

• svm_train() : train an SVM model
• svm_predict() : predict testing data
• svm_read_problem() : read the data from a LIBSVM-format file.
• svm_load_model() : load a LIBSVM model.
• svm_save_model() : save model to a file.
• evaluations() : evaluate prediction results.

svm.py接口主要包括了一些low-level的应用。在svm.py中采用了 python内置的ctypes库，由此python可以直接访问svm.h中定义的C结构和接口函数。svm.py主要运用了四个数据结构 svm_node, svm_problem, svm_parameter和svm_model。　　

参考：
https://www.cnblogs.com/-ldzwzj-1991/p/5893054.html