I belive I can fly in the sky!**I am waiting for the future!

在条件都一样的情况下，LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件还有一个特点，就是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题；并且提供了交

 SVM算法最初是为二值分类问题设计的，当处理多类问题时，就需要构造合适的多类分类器。目前，构造SVM多类分类器的方法主要有两类：一类是直接法，直接在目标函数上进行修改，将多个分类面的参数求解合并到一个最优化问题中，通过求解该最优化问题“一次性”实现多类分类。这种方法看似简单，但其计算复杂度比较高，实现起来比较困难，只适合用于小型问题中；另一类是间接法，主要是通过组合多个二分类器来实现多分类器的构

先运行FormatDataLibsvm.xls然后将数据粘贴到sheet1的topleft单元再再"工具"-->"宏"-->执行下面有一个选项（FormatDatatoLibsvm），要选中这个然后运行就可以了 ，这时数据转换的问题就解决了,可是现在生成的数据是.xls格式，它还是不能做为libsvm的训练文件啊!还需要怎么转换呢?可以copy到一个记事本中即可。但是注意在用libsvm的时候要在

支持向量机参数的取值直接影响到分类器的学习能力和推广能力。通常通过计算分类器的推广误差来衡量参数的优劣，常用的方法有K重交叉验证和留一法。 K重交叉验证法：该方法是最为普遍的计算推广误差的方法之一。其过程为：将训练样本集随机分为K个集合，通常分为K等份，对其中的K-1个集合进行训练，得到一个决策函数，并用决策函数对剩下的一个集合进行样本测试。该过程重复K次，取K次过程中的测试错误的平均值作

用libsvm来做应用，需要依次运行svmscale.exe，svmtrain.exe，svmpredict.exe等命令，其实更简单的方法是使用easy.py，而且方便从matlab中用dos或system命令调用。如果你需要对很多数据集做多次试验然后取平均值的话，这是很有用的，可以节省你大量的精力。1、需要安装windows版本的python和绘图软件gnuplot.exe，python到网上

在用支持向量机进行分类或回归时，较重要的参数有C，和g。怎么进行参数优化，前面已经介绍过一些方法，这里介绍下怎么使用libsvm的功能来优化参数。  -p尽量选个比较小的数字。需要仔细调整的重要参数是-c和-g。除非用gridregression.py来搜索最优参数，否则只能自己慢慢试了。用gridregression.py搜索最优参数的方法如下：  python d:/bishe/l

最近总是遇到几个词，启发式算法，过学习，泛法能力启发式：而启发式方法（试探法）是一种帮你寻求答案的技术，但它给出的答案是具有偶然性的（subject to chance），因为启发式方法仅仅告诉你该如何去找，而没有告诉你要找什么。它并不告诉你该如何直接从A 点到达B 点，它甚至可能连A点和B点在哪里都不知道。实际上，启发式方法是穿着小丑儿外套的算法：它的结果不太好预测，也更有趣，但不会给你什么

 比如在输入svmtrain heart_scale 时这样输出 optimization finished,#iter=26nu=0.531390obj=-3.95190,rho=0.794635nSV=15,nBSV=0Total nSV=15===========================================obj是对偶SVM问题的最佳目标值，rho是决策函数的偏置

 林智仁的libsvm-2.82在windows下的使用林智仁的libsvm-2.82在windows下的使用很多人下了林智仁的libsvm-2.82，调了好久都没有在自己的电脑上正确的运行。我也是其中之一 我开始是运用研学论坛上的方法去安装的，在我的另一篇帖子里有介绍，但是一直没成功。今天终于成功解决落 ，对于刚刚接触的我来说好高兴哦。在这里要特别感谢jimin，因为是jimin通过远程帮我搞

  SVM, Support Vector Machine , 简而言之它是个起源与人工神经网络有点像的东西，現今最常拿来就是做分类。也就是说，如果我有一堆已经分好类的东西（可是分类的依据是未知的），那当收到新的东西时，SVM可以預测新的数据要分到哪一堆去。听起来是很神奇的事（如果你觉得不神奇，请重想一想这句话代表什么：分类的依据是未知的！，还是不神奇的话就请你写个程序，解解上面的问題），不过

http://blog.likeshow.net/uploads/200708/09_101105_.pdf