libsvm 2.6 的代码注释

第一节： SVM.h 文件

struct svm_node

{ 
int index; 
double value;

};

struct svm_node 用来存储单一向量中的单个特征，例如：向量x1={ 0.002, 0.345, 4, 5.677};
那么用struct svm_node 来存储时就使用一个包含5 个svm_node 的数组来存储此4 维向量，内存映象如下：

1 2 3 4 －1 
0.002 0.345 4．000 5.677 空

其中如果value 为0.00,该特征将不会被存储，其中(特征3)被跳过：

1 2 4 5 －1 
0.002 0.345 4．000 5.677 空

0.00 不保留的好处在于，做点乘的时候，可以加快计算速度，对于稀疏矩阵，更能充分体现这种数据结构的优势。

但做归一化时，操作就比较麻烦了。（类型转换不再说明）
struct svm_problem

{ 
int l; 
double *y; 
struct svm_node **x;

};

struct svm_problem 存储本次参加运算的所有样本（数据集），及其所属类别。在某些数据挖掘实现中，常用DataSet来实现。
int l; 记录样本总数
double *y; 指向样本所属类别的数组。在多类问题中，因为使用了one-agianst-one 方法，可能原始样本中y[i] 的内容是1.0，2.0，3.0，

…,但参与多类计算时，参加分类的两类所对应的y[i] 内容是+1, 和－1。
Struct svm_node **x;指向一个存储内容为指针的数组；

这样的数据结构有一个直接的好处，可以用x[i][j] 来访问其中的某一元素（如果value 为0.00 的也全部保留的话）
（私下认为其中有一个败笔，就是把svm_node* x_space 放到结构外面去了。）

enum { C_SVC, NU_SVC, ONE_CLASS, EPSILON_SVR, NU_SVR }; /* svm_type */ 
enum { LINEAR, POLY, RBF, SIGMOID };  /* kernel_type */

struct svm_parameter

{ 
int svm_type;//SVM类型，见前enum 
int kernel_type;//核函数
double degree; /* for poly */ 
double gamma;/* for poly/rbf/sigmoid */ 
double coef0; /* for poly/sigmoid */

/* these are for training only */

double cache_size; /* in MB */
double eps; /* stopping criteria */
double C; /* for C_SVC, EPSILON_SVR and NU_SVR */
int nr_weight; /* for C_SVC */
int *weight_label; /* for C_SVC */
double* weight; /* for C_SVC */
double nu; /* for NU_SVC, ONE_CLASS, and NU_SVR */
double p; /* for EPSILON_SVR */
int shrinking; /* use the shrinking heuristics */
int probability; /* do probability estimates */

}; 
部分参数解释,(附核函数)

1、K (xi , xj ) = xiT x j

2、K (xi , xj ) = (γxiTx j + r)d ,γ> 02

3、K (xi , xj ) = exp(.γxi . xj),γ> 0

4、K (xi , xj ) = tanh(γxiT x j + r)

double degree;//就是2式中的d 
double gamma; //就是2,3,4式中的gamma 
double coef0;//就是2,4式中的r

double cache_size; /* in MB */ 制定训练所需要的内存，默认是40M，LibSVM2.5 中是4M！

double eps;见参考文献[1]中式3.13 
double C;//没什么好说的，惩罚因子，越大训练的模型越那个…,当然耗的时间越多

int nr_weight;//权重的数目,目前在实例代码中只有两个值，一个是默认0，另外一个是

svm_binary_svc_probability 函数中使用数值2。
int *weight_label;//权重，元素个数由nr_weight 决定. 
double nu;// 没什么好说的,too 
double p;// 没什么好说的,three

int shrinking;//指明训练过程是否使用压缩。
int probability;//新增，指明是否要做概率估计

struct svm_model

{ 
svm_parameter param; // parameter 
int nr_class; // number of classes, = 2 in regression/one class svm 
int l; // total #SV 
svm_node **SV; // SVs (SV[l]) 
double **sv_coef; // coefficients for SVs in decision functions (sv_coef[n-1][l]) 
double *rho; // constants in decision functions (rho[n*(n-1)/2]) 
double *probA; // pariwise probability information 
double *probB; // for classification only

int *label; // label of each class (label[n]) 
int *nSV; // number of SVs for each class (nSV[n]) ;// nSV[0] + nSV[1] + ... + nSV[n-1] = l ;// XXX 
int free_sv; // 1 if svm_model is created by svm_load_model ;// 0 if svm_model is created by svm_train 
};

结构体svm_model 用于保存训练后的训练模型，当然原来的训练参数也必须保留。
svm_parameter param; // 训练参数
int nr_class;// 类别数
int l; // 支持向量数
svm_node **SV; // 保存支持向量的指针，至于支持向量的内容，如果是从文件中读取，内容会额外保留；

如果是直接训练得来，则保留在原来的训练集中。如果训练完成后需要预报，原来的训练集内存不可以释放。
double **sv_coef;//相当于判别函数中的alpha 
double *rho; //相当于判别函数中的b 
double *probA; // pariwise probability information 
double *probB;//均为新增函数
int *label; // label of each class (label[n]) 
int *nSV; // number of SVs for each class (nSV[n]) 
int free_sv;//见svm_node **SV的注释

//以下接口函数设计得非常合理，最后一节详细说明
//最主要的驱动函数，训练数据
struct svm_model *svm_train(const struct svm_problem *prob, const struct svm_parameter *param);

//用SVM做交叉验证
void svm_cross_validation(const struct svm_problem *prob, const struct svm_parameter *param, int nr_fold, double *target);

//保存训练好的模型到文件
int svm_save_model(const char *model_file_name, const struct svm_model *model);

//从文件中把训练好的模型读到内存中
struct svm_model *svm_load_model(const char *model_file_name);

int svm_get_svm_type(const struct svm_model *model);

//得到数据集的类别数（必须经过训练得到模型后才可以用）
int svm_get_nr_class(const struct svm_model *model);

//得到数据集的类别标号（必须经过训练得到模型后才可以用）
void svm_get_labels(const struct svm_model *model, int *label);

double svm_get_svr_probability(const struct svm_model *model);

//用训练好的模型预报样本的值，输出结果保留到数组中。（并非接口函数）
void svm_predict_values(const struct svm_model * model, const struct svm_node * x, double*  dec_values);

//预报某一样本的值
double svm_predict(const struct svm_model *model, const struct svm_node *x);

double svm_predict_probability(const struct svm_model *model, const struct svm_node *x, double* prob_estimates);

//消除训练的模型，释放资源
void svm_destroy_model(struct svm_model *model);

void svm_destroy_param(struct svm_parameter *param);

//检查输入的参数，保证后面的训练能正常进行。

const char *svm_check_parameter(const struct svm_problem *prob, const struct svm_parameter*param);

int svm_check_probability_model(const struct svm_model *model);

 

第二节： SVM.cpp 文件.头文件：

从整个.cpp 文件来看，感觉有些头文件是多余的，不知何故，反正多包含头文件不会犯错。
后面的typedef, 特别是typedef float Qfloat, 是为了方便控制内存存储的精度。

#include <math.h> 
#include <stdio.h> 
#include <stdlib.h> 
#include <ctype.h> 
#include <float.h> 
#include <string.h> 
#include <stdarg.h> 
#include "svm.h" 
typedef float Qfloat; 
typedef signed char schar;

//.以下是定义的几个主要的模板，主要是为了比较大小，交换数据和完全复制数据。
Min() 和Max() 在<math.h>中提供了相应的函数，这里的处理，估计是为了使函数内联，执行速度会相对快一些，

而且不同的数据类型，存储方式不同，使用模板会更有针对性，也从另外一方面提高程序性能。

#ifndef min 
template <class T> inline T min(T x,T y) { return (x<y)?x:y; } 
#endif

#ifndef max 
template <class T> inline T max(T x,T y) { return (x>y)?x:y; } 
#endif

template <class T> inline void swap(T& x, T& y) { T t=x; x=y; y=t; }

//这里的克隆函数是完全克隆，不同于一般的复制。操作结束后，内部的所有数据和指针完全一样。

template <class S, class T> inline void clone(T*& dst, S* src, int n)

{ 
dst = new T[n]; 
memcpy((void *)dst,(void *)src,sizeof(T)*n);

}

//这里使用了define ，非内联函数

#define INF HUGE_VAL
#define Malloc(type,n) (type *)malloc((n)*sizeof(type))

 

//以下的函数用作调试。跳过～

#if 1 
void info(char *fmt,...) 
{

va_list ap; 
va_start(ap, fmt); 
vprintf(fmt, ap); 
va_end(ap);

} 

void info_flush() 
{

fflush(stdout); 
} 
#elsevoid info(char *fmt,...) {} 
void info_flush() {} 
#endif

2.1 类Cache 
本类主要负责运算所涉及的内存的管理，包括申请、释放等。
类定义:

class Cache

{

public: 
Cache(int l,int size); 
Cache(); 
int get_data(const int index, Qfloat **data, int len); 
void swap_index(int i, int j);  // future_option

private: 
int l; 
int size; 

struct head_t

 {

head_t *prev, *next; // a cicular list

Qfloat *data;

int len; // data[0,len) is cached in this entry

 };

head_t* head;

head_t lru_head;

void lru_delete(head_t *h);

void lru_insert(head_t *h); 
};

成员变量：

head_t* head; // 变量指针，该指针用来记录程序所申请的内存，单块申请到的内存用struct head_t来记录所申请内存的指针，并记录长度。

而且通过双向的指针，形成链表，增加寻址的速度。记录所有申请到的内存，一方面便于释放内存，另外方便在内存不够时适当释放一部分已经
申请到的内存。

head_t lru_head; //双向链表的头。

int l; //样本总数。

int size; //所指定的全部内存，据说用Mb做单位。

成员函数：

void lru_delete(head_t *h); //从双向链表中删除某个元素的链接，不删除、不释放该元素所涉及的内存。一般是删除当前所指向的元素。

void lru_insert(head_t *h); //在链表后面插入一个新的链接；

Head Lru_head 
Cache(int l,int size); //构造函数。该函数根据样本数L，申请L 个head_t 的空间。根据说明，该区域会初始化为0，（表示怀疑）。

Lru_head 因为尚没有head_t 中申请到内存，故双向链表指向自己。至于size 的处理，先将原来的byte 数目转化为float 的数目，

然后扣除L 个head_t 的内存数目。size 为程序指定的内存大小4M/40M 。size 不要设得太小。

int get_data(const int index, Qfloat **data, int len);

该函数保证head_t[index] 中至少有len 个float 的内存，并且将可以使用的内存块的指针放在data 指针中。返回值为申请到的内存。

函数首先将head_t[index] 从链表中断开,如果head_t[index] 原来没有分配内存，则跳过断开这步。

计算当前head_t[index] 已经申请到的内存，如果不够，释放部分内存（怀疑这样做的动机：老数据为什么就可以释放，

而不真的另外申请一块？老数据没用了？），等内存足够后，重新分配内存。

重新使head_t[index] 进入双向链表。并返回申请到的内存的长度。

//返回值不为申请到的内存的长度，为head_t[index] 原来的数据长度h->len 。

调用该函数后，程序会计算Q =∑ yiy jK (xi , xj ) 的值，并将其填入data 所指向的内存区域，如果下次index 不变，

正常情况下，不用重新计算该区域的值。若index 不变，则get_data() 返回值len 与本次传入的len 一致，从Kernel::get_Q( ) 中可以看到，

程序不会重新计算。从而提高运算速度。

While 循环内的部分基本上难得用到一次。

void swap_index(int i, int j);

交换head_t[i] 和head_t[j] 的内容，先从双向链表中断开，交换后重新进入双向链表中。对后面的处理不理解，

可能是防止中head_t[i] 和head_t[j] 可能有一方并未申请内存。但h->len > i 和h->len > j 无法解释。

for(head_t *h = lru_head.next; h!=&lru_head; h=h->next)

{ 
if(h->len > i) 
{

if(h->len > j) 
swap(h->data[i],h->data[j]);

else

 {

// give up

lru_delete(h); 
free(h->data); 
size += h->len; 
h->data = 0; 
h->len = 0;

} 
} 
}

2.2 类Kernel 
class Kernel {

public: 
Kernel(int l, svm_node * const * x, const svm_parameter& param); 
virtual Kernel();

static double k_function(const svm_node *x, const svm_node *y, const svm_parameter& param); 
virtual Qfloat *get_Q(int column, int len) const = 0; 
virtual void swap_index(int i, int j) const // no so const... 
{

swap(x[i],x[j]); 
if(x_square) swap(x_square[i],x_square[j]); 
} 
protected: 
double (Kernel::*kernel_function)(int i, int j) const;

private: 
const svm_node **x; 
double *x_square;

// svm_parameter

const int kernel_type; 
const double degree; 
const double gamma; 
const double coef0;

static double dot(const svm_node *px, const svm_node *py); 
double kernel_linear(int i, int j) const(skipped)
double kernel_poly(int i, int j) const(skipped)
double kernel_rbf(int i, int j) const(skipped)
double kernel_sigmoid(int i, int j) const(skipped)

};

成员变量：

const svm_node **x; // 用来指向样本数据，每次数据传入时通过克隆函数来实现，完全重新分配内存，主要是为处理多类着想。

double *x_square; //使用RBF 核才使用。
const int kernel_type; //核函数类型. 
const double degree; // kernel_function 
const double gamma; // kernel_function 
const double coef0; // kernel_function

成员函数：

Kernel(int l, svm_node * const * x, const svm_parameter& param); 
构造函数。初始化类中的部分常量、指定核函数、克隆样本数据。如果使用RBF 核函数，则计算x-sqare[i].

static double dot(const svm_node *px, const svm_node *py); 
点乘两个样本数据，按svm_node 中index ( 一般为特征)进行运算，一般来说，index 中1，2，… 直到-1。返回点乘总和。
例如：x1 = { 1,2,3} , x2 = {4, 5, 6} 总和为sum = 1*4 + 2*5 + 3*6 ; 在svm_node[3] 中存储index = -1 时，停止计算。

static double k_function(const svm_node *x, const svm_node *y, const svm_parameter& param);

核函数。但只有在预报时才用到。

其中RBF 部分很有讲究。因为存储时，0 值不保留。如果所有0 值都保留，第一个while 就可以都做完了；如果第一个while 做不完，在x，y 中任意一个出现index ＝ -1，第一个while 就停止，剩下的代码中两个while 只会有一个工作，该循环直接把剩下的计算做完。

virtual Qfloat *get_Q(int column, int len) const = 0; 纯虚函数，将来在子类中实现。相当重要的函数。

virtual void swap_index(int i, int j) ;  虚函数，x[i] 和x[j]中所存储指针的内容。如果x_square 不为空，则交换相应的内容。

double (Kernel::*kernel_function)(int i, int j) const;  函数指针，根据相应的核函数类型，来决定所使用的函数。在计算矩阵Q 时使用。

Q =∑ yiy jK(xi , xj )

1、K (xi , xj ) = xiT x j

2、K (xi , xj ) = (γxiTx j + r)d ,γ> 02

3、K (xi , xj ) = exp(.γxi . xj),γ> 0

4、K (xi , xj ) = tanh(γxiT x j + r)

2.2 类Solver 
class Solver {

public: 
Solver() {}; 
virtual Solver() {};

struct SolutionInfo 
{ 
double obj; 
double rho; 
double upper_bound_p; 
double upper_bound_n; 
double r; // for Solver_NU

 };

void Solve(int l, const Kernel& Q, const double *b_, const schar *y_, double *alpha_, double Cp, 

double Cn, double eps, SolutionInfo* si, int shrinking);

protected: 
int active_size; 
schar *y; 
double *G; // gradient of objective function 
enum { LOWER_BOUND, UPPER_BOUND, FREE }; 
char *alpha_status; // LOWER_BOUND, UPPER_BOUND, FREE 
double *alpha;

const Kernel *Q; 
double eps; 
double Cp,Cn; 
double *b; 
int *active_set; 
double *G_bar; // gradient, if we treat free variables as 0 
int l; 
bool unshrinked; // XXX

double get_C(int i) { 
} 
void update_alpha_status(int i) { 
} 
bool is_upper_bound(int i) { return alpha_status[i] == UPPER_BOUND; } 
bool is_lower_bound(int i) { return alpha_status[i] == LOWER_BOUND; } 
bool is_free(int i) { return alpha_status[i] == FREE; } 
void swap_index(int i, int j); 
void reconstruct_gradient(); 
virtual int select_working_set(int &i, int &j); 
virtual double calculate_rho(); 
virtual void do_shrinking();

};

成员变量：

int active_size; // 计算时实际参加运算的样本数目，经过shrink 处理后，该数目会小于全部样本总数。

schar *y; //样本所属类别，该值只取+1/-1 。虽然可以处理多类，最终是用两类SVM 完成的。
double *G; //梯度，计算公式如下(公式3.5)[1]：

(Qα+ p)t =.f (α)

t = Gt

在代码实现中，用b[i] 来代替公式中的p。
char *alpha_status; //α[i]的状态，根据情况分为α[i] ≤ 0, α[i] ≥ c 和0 <α[i] < 0 ，

分别对应内部点(非SV)，错分点(BSV)和支持向量(SV)。

double *alpha; //αi

const Kernel *Q; //指定核。核函数和Solver 相互结合，可以产生多种SVC,SVR 
double eps; //误差限
double *b; //见double *G 的说明。
int *active_set; //

double *G_bar; // G ,计算公式如下：

G = C ΣQij ,i = 1,...,lα 

j =C

该值可以在对样本集做shrink 时，减小重建梯度的计算量。

G = G _ +∑ Qijαj =Σ(l) Qijα j 
0<α<Cj=1

int l; //样本总数
bool unshrinked; //

成员函数：

double get_C(int i) 返回对应于样本的C。设置不同的Cp 和Cn 是为了处理数据的不平衡。有时Cp=Cn 。

void swap_index(int i, int j); 完全交换样本i 和样本j 的内容，包括所申请的内存的地址。

void reconstruct_gradient();

重新计算梯度。G_bar[i] 在初始化时并未加入b[i] ，所以程序首先增加b[i] 。Shrink 后依然参加运算的样本位于active_size 和L-1 位置上。

在0～active_size 之间的alpha[i] 如果在区间(0,c) 上，才有必要更新相应的active_size 和L-1 位置上的样本的梯度。

virtual int select_working_set(int &i, int &j)

选择工作集。公式如下：

i ≡ argmax({..f (α)t | yt = 1,αt < C},

{.f (α)t | yt =.1,αt > 0} 
j ≡ argmin({.f (α)t | yt =.1,αt < C},

{..f (α)t | yt = 1,αt > 0}

virtual void do_shrinking();

对样本集做缩减。大致是当0 <α < C 时，(还有两种情况)程序认为该样本可以不参加下次迭代。

（0 <α < C 时，为内部点）程序会减小active_size，为（内部点）增加位置。

active_size 表明了不可以参加下次迭代的样本的最小标号，在active_size 与L 之间的元素都对分类没有贡献。

程序中k--是为了消除交换后的影响，使重新换来的样本也被检查一次。
如果程序在缩减一次后没有达到结束条件，就重新构造梯度矢量，并再缩减一次（总觉得这里不太严密）。

virtual double calculate_rho();

计算ρ 值。The calculation of b or ρ

Σ0 C yi 1.f (α)i

r1 =1ΣαC, 

yi=<<=<<0,α1

ρ= r1 + r2 2

void Solve(int l, const Kernel& Q, const double *b_, const schar *y_, double *alpha_, double Cp, double Cn, 

double eps, SolutionInfo* si, int shrinking);

//程序较大，逐步分解 
part 1

// initialize alpha_status

 { 
alpha_status = new char[l]; 
for(int i=0;i<l;i++)

update_alpha_status(i); 
} 
更新一下alpha 的状态

part 2

// initialize active set (for shrinking)

 { 
active_set = new int[l]; 
for(int i=0;i<l;i++)

active_set[i] = i; 
active_size = l; 
}

为缩减做准备，将来要做交换

part 3

// initialize gradient

 { 
G = new double[l]; 
G_bar = new double[l]; 
int i; 
for(i=0;i<l;i++) 
{

G[i] = b[i];

G_bar[i] = 0; 
}
for(i=0;i<l;i++)

    if(!is_lower_bound(i))

   {
          float *Q_i = Q.get_Q(i,l); 
          double alpha_i = alpha[i]; 
          int j; 
          for(j=0;j<l;j++)

                 G[j] += alpha_i * Q_i[j]; 
          if(is_upper_bound(i)) 
                 for(j=0;j<l;j++)

                         G_bar[j] += get_C(i) * Q_i[j];

    } 
} 
G_bar[j]的生成公式如下：（注意，其中不包含b[i] 的值）

G(.) = C ΣQij ,   i = 1,...,lα   j =C

因为第一次建立G(i),所以没有判断alpha 的状态。而是按公式，全部计算了一遍。

get_Q(i,l)：返回的值是Qij 矩阵中的第i 列，而不是第i 行，这是需要注意的地方。再往下是大循环：

如果有必要，先进行筛选，使部分数据不再参加运算；选择工作集；更新alpha_i, alpha_j, 其更新new new old old

的思路是保证：αi yi +α j yj =αi yi +α j yj ;

对于边界情况，有特殊处理，主要是考虑0 ≤αi ≤ Ci 的要求。

当某一alpha 小于0时，做适当调整,调整的结果是alpha_i, alpha_j 仍然在0 ≤αi ≤ Ci 范围内，同时其和同原来一样。

对于推导过程，可以参考Sequential Minimal Optimization for SVM part 4

更新G(i),根据αi ,αj 的变化更新；

// update G

double delta_alpha_i = alpha[i] -old_alpha_i; 
double delta_alpha_j = alpha[j] -old_alpha_j;

for(int k=0;k<active_size;k++) 
{ 
        G[k] += Q_i[k] * delta_alpha_i + Q_j[k] * delta_alpha_j; 
}

part 5_

以下是更新alpha_status 和G ,ahpha 状态更新较简单，根据alpha 状态前后是否有变化，适当更新，更新的内容参考公式

G = C ΣQij ,i = 1,...,l  αj =C

// update alpha_status and G_bar

{ 
bool ui = is_upper_bound(i); 
bool uj = is_upper_bound(j); 
update_alpha_status(i);

update_alpha_status(j); 

int k; 
if(ui != is_upper_bound(i))//更新alpha_i 的影响 
{

       Q_i = Q.get_Q(i,l); 
if(ui) 
for(k=0;k<l;k++) 
G_bar[k] -= C_i * Q_i[k];

else
for(k=0;k<l;k++)

G_bar[k] += C_i * Q_i[k]; 
}
if(uj != is_upper_bound(j)) //更新alpha_j 的影响 
{

Q_j = Q.get_Q(j,l); 
if(uj) 
for(k=0;k<l;k++) 
G_bar[k] -= C_j * Q_j[k];

else 
for(k=0;k<l;k++) 
G_bar[k] += C_j * Q_j[k]; 
} 
}

part 6

以下计算目标函数值，因为Gt = (Qα+ p)t ，而目标值为12 α TQα+ pT α ，故：

// calculate objective value

 { 
double v = 0; 
int i; 
for(i=0;i<l;i++)

v += alpha[i] * (G[i] + b[i]);

si->obj = v/2; 
}

part 7

回送结果。

// put back the solution

 { 
        for(int i=0;i<l;i++) 
              alpha_[active_set[i]] = alpha[i]; 
}

2.3 类Solver_NU 
class Solver_NU : public Solver 
{ 
public:

Solver_NU() {}

void Solve(int l, const Kernel& Q, const double *b, const schar *y, double *alpha, double Cp, 

double Cn, double eps, SolutionInfo* si, int shrinking)

{ 
     this->si = si; 
     Solver::Solve(l,Q,b,y,alpha,Cp,Cn,eps,si,shrinking);

}

private: 
SolutionInfo *si; 
int select_working_set(int &i, int &j); 
double calculate_rho(); 
void do_shrinking();

};

其中函数void Solve()完全调用了Solve::Solve(),this->si = si;一句是因为C++内部变量访问的限制而添加。

成员函数：

int select_working_set(int &i, int &j); 
选择工作集，参考[1],[4],[5], 同时可以参考Solver::select_working_set 。

double calculate_rho()：计算ρ 值，参考[1],[4],[5] （对应libsvm 论文[1] ，其实返回值是b,这可以从后面预测目标值可以看出。

与Solver::calculate_rho 相比，增加了另外一个返回值-r，该值才是真正的ρ 值。

void do_shrinking(); 
对样本进行剪裁，参考[1],[4],[5] , 同时可以参考Solver::do_shrinking()。

2.4 类SVC_Q 
class SVC_Q: public Kernel 
{ 
     public:

      SVC_Q(const svm_problem& prob, const svm_parameter& param, const schar *y_) :

       Kernel(prob.l, prob.x, param) 
{

      clone(y,y_,prob.l); 
      cache = new Cache(prob.l,(int)(param.cache_size*(1<<20))); 
}

float *get_Q(int i, int len) const

{ 
    float *data; 
    int start; 
     if((start = cache->get_data(i,&data,len)) < len) 
    {

          for(int j=start; j<len; j++)

          data[j] = (Qfloat)(y[i]*y[j]*(this->*kernel_function)(i,j)); 
    }
   return data;

}

void swap_index(int i, int j) const

{ 
        cache->swap_index(i,j); 
         Kernel::swap_index(i,j); 
         swap(y[i],y[j]);

}

SVC_Q()

{ 
        delete[ ] y; 
        delete cache;

}

private: 
schar *y; 
Cache *cache;

};

说明：

SVC_Q(const svm_problem& prob, const svm_parameter& param, const schar *y_) :

Kernel(prob.l, prob.x, param) 
该构造函数利用初始化列表Kernel(prob.l, prob.x, param)将样本数据和参数传入(非常简洁)。

get_Q(int i, int len)函数与其他同类相比，在于核函数不同。
swap_index(int i, int j) //交换的东西太多了点

2.5 类ONE_CLASS_Q 
class ONE_CLASS_Q: public Kernel 
{

         public: 

        ONE_CLASS_Q(const svm_problem& prob, const svm_parameter& param) :

        Kernel(prob.l, prob.x, param) 
        {

               cache = new Cache(prob.l,(int)(param.cache_size*(1<<20))); 
        }

float *get_Q(int i, int len) const

 { 
         float *data; 
         int start; 
         if((start = cache->get_data(i,&data,len)) < len) 
        {

          for(int j=start;j<len;j++)

               data[j] = (Qfloat)(this->*kernel_function)(i,j); 
        }
        return data;

}

void swap_index(int i, int j) const

{ 
         cache->swap_index(i,j); 
         Kernel::swap_index(i,j);

}

ONE_CLASS_Q() 
{ 
 cache; 
} 
private: 
Cache *cache; 
};

ONE_CLASS_Q 只处理1 类分类问题(?) ，故不保留y[i] 。编号只有1 类。
get_Q(int i, int len)函数中缺少了y[i],y[j] ，这与One_Class 本身特点有关，只处理一类。
swap_index(int i, int j)少swap(y[i],y[j]); 这句，因为根本没有y[i] 可供交换。

2.5 类SVR_Q 
class SVR_Q: public Kernel 
{ 
public:

SVR_Q(const svm_problem& prob, const svm_parameter& param) :

Kernel(prob.l, prob.x, param)

{ 
//skipped 
}

void swap_index(int i, int j) const

{ 
swap(sign[i],sign[j]); 
swap(index[i],index[j]);

}

Qfloat *get_Q(int i, int len) const 
{ 
//skipped 
}

SVR_Q() 
{ 
//skipped 
}

private: 
int l; 
Cache *cache; 
schar *sign; 
int *index; 
mutable int next_buffer; 
Qfloat* buffer[2];

}; 
本类主要是用于做回归，同分类有许多不同之处。参考[1],[5]

//以下的函数全为静态函数，只能在本文件范围内被访问。对照[1] 中公式查看。

2.6 函数solve_c_svc 
static void solve_c_svc(const svm_problem *prob, const svm_parameter* param, 
double *alpha, Solver::SolutionInfo* si, double Cp, double Cn)

在公式1 α TQα+ pTα 中，pT 为全-1,另外alpha[i]=0, 保证yT α= 0 的限制条件，在将来选择工作集后更新alpha 时，仍能保证该限制条件。

2.7 函数solve_nu_svc 
static void solve_nu_svc( const svm_problem *prob, const svm_parameter *param, 
double *alpha, Solver::SolutionInfo* si)

pT 为全0,alpha[i] 能保证eT α= 0, yTα= 0.

2.8 函数solve_one_class

static void solve_one_class(const svm_problem *prob, const svm_parameter *param, 
double *alpha, Solver::SolutionInfo* si)

限制条件eTα= vl ，前vl 个alpha 为1，此后的alpha 全为0，初始条件满足限制条件eTα= vlpT 为全0，y 为全1

2.9 函数solve_epsilon_svr 
static void solve_epsilon_svr(const svm_problem *prob, const svm_parameter *param, 
double *alpha, Solver::SolutionInfo* si)

2.10 函数solve_nu_svr 
static void solve_nu_svr( const svm_problem *prob, const svm_parameter *param, double *alpha, Solver.SolutionInfo* si);

第三节：接口函数、流程

decision_function svm_train_one(const svm_problem *prob, const svm_parameter *param, double Cp, double Cn)

训练一组样本集，通常参加训练的样本集只有两类。程序根据相应的参数，选择所使用的训练或者拟合算法。(这个地方的代码居然如此少)，

最后统计SV和BSV，最后输出决策函数。

void sigmoid_train( int l, const double *dec_values, const double *labels,

double& A, double& B) 
LibSVM2.6 新增函数

根据预报值来确定A,B rij ≈ 1+ e 1 Af. +B 
见第8 节[1], 其中A,B 的确定就由本函数确定。

double sigmoid_predict(double decision_value, double A, double B)

LibSVM2.6 新增函数

可以看看，里面的公式很简单。

void multiclass_probability(int k, double **r, double *p)

LibSVM2.6 新增函数(好像比较复杂哦. )

void svm_binary_svc_probability(const svm_problem *prob, const svm_parameter *param, 
double Cp, double Cn, double& probA, double& probB)

先做交叉验证，然后用决策值来做概率估计。需要调用sigmoid_train 函数。

double svm_svr_probability( const svm_problem *prob, const svm_parameter *param)

先做交叉验证，然后函数经过计算后，输出概率值。

svm_model *svm_train(const svm_problem *prob, const svm_parameter *param)

根据选择的算法，来组织参加训练的分样本，以及进行训练结果的保存。其中会对样本进行初步的统计。
一、分类部分：

→统计类别总数,同时记录类别的标号，统计每个类的样本数目 
→将属于相同类的样本分组，连续存放 
→计算权重C 
→训练n(n-1)/2个模型 
→初始化nozero数组，便于统计SV 
→//初始化概率数组 
→训练过程中，需要重建子数据集，样本的特征不变，但样本的类别要改为+1/-1 
→//如果有必要，先调用svm_binary_svc_probability 
→训练子数据集svm_train_one 
→统计一下nozero,如果nozero已经是真，就不变，如果为假，则改为真 
→输出模型 
→主要是填充svm_model, 
→清除内存 
二、回归部分：

→类别数固定为2 
→//选择性地做svm_svr_probability, one-class不做概率估计 
→训练 
→输出模型 
→清除内存 
训练过程函数调用：
svm_train→svm_train_one→solve_c_svc(fox example)→

→Solver s;//这里调用构造函数，但啥也没有做。
→s.Solve(l, SVC_Q(*prob,*param,y), minus_ones, y, alpha, Cp, Cn, param->eps, si, 
param->shrinking); 
→调用SVC_Q(Kernel) 类的构造函数，同时也会调用Kernel类的构造函数。在SVC_Q 
类的构造函数中复制目标值(y), 同时申请内存，此时激发Cache类,申请内存，构造双向列表等。
→Solve函数做完其他部分工作，主要是算法的实现。
void svm_cross_validation(const svm_problem *prob, const svm_parameter *param, int nr_fold, double *target)

先随机打乱次序，然后根据n折的数目，留一份作为测试集，其他的作为训练集，做n次。
随机打乱次序使用的非标准的扑克洗牌的算法。(LibSVM2.5 里面随机排序的结果很乱) 
For example: 
样本集被分为10份；第一次，将样本集的第2～10部分作为整体进行训练，得到一个模型，然后对样本集的第1部分进行预报，得到一个精度；

第二次，将样本集的第1，3～10作为整体训练，对第二部分进行预报，得到又一个精度，…。

最后对10个精度做一下处理（方法很多，不逐一列出）。

int svm_get_nr_class(const svm_model *model)

获得样本类别数；本函数为典型的马后炮。

void svm_get_labels(const svm_model *model, int* label)

某类样本的标号（样本并不按编号排列，通过标号，可以循序访问样本集）。

double svm_get_svr_probability(const svm_model *model)

访问训练好的模型中的概率值。

void svm_predict_values(const svm_model *model, const svm_node *x, double* dec_values)

预测样本数据目标值；
如果是做分类问题，返回一大堆值，供后续的函数做决策；如果是回归问题，返回一个值。
其中one-v-one 方法需要做n(n-1)/2 次，产生n(n-1)/2 个预报值。

double svm_predict(const svm_model *model, const svm_node *x) 
预测，分类问题主要使用了One-to-One方法组织n*(n-1)/2 种方法。
如果是分类问题，对预测的n*(n-1)/2 个值，做投票处理，票数最高的是预报的类。
如果是One-Class,根据预报值的符号，返回+1/-1 
如果是回归问题，直接返回该double 类型的值。

double svm_predict_probability( const svm_model *model, const svm_node *x, double *prob_estimates)

LibSVM2.6 新增函数跳过。

int svm_save_model(const char *model_file_name, const svm_model *model) 
svm_model *svm_load_model(const char *model_file_name) 
void svm_destroy_model(svm_model* model) 
以上3 个函数均为LibSVM2.5 示例程序中的函数，现成为LibSVM2.6 的一部分。
看看名字就知道是干什么的了，不介绍了。

void svm_destroy_param(svm_parameter* param)

LibSVM2.6 新增函数

释放权重系数数组的内存。

//检查数据

const char *svm_check_parameter(const struct svm_problem *prob, const struct svm_parameter *param); 
该段代码检查参数的合理性。凡对LibSVM 进行增加SVC 类型和核函数，都必须修改该文件。
LibSVM2.5 在该部分代码会存在内存泄漏，LibSVM2.6 中已经修正。
其中需要注意的是，nu 的取值的范围，

nMin × 2nu <nMax + nMin

其中nMax 为样本数最多的类的样本数，nMin 为样本数最少的类的样本。

int svm_check_probability_model(const svm_model *model)

检查概率模型，主要是检查一些限制条件。

Margin 
Figure 1: SVM separation of two data classes - SV points circled.

Figure 2: One-against-rest SVM separation of three data classes

Figure 3: One-against-one SVM separation of three data classes

Figure 4: Decision DAG SVM

其他：
一、One-v-Rest 多类方法
http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/1vsall/

二、DDAG 多类方法
http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/libsvm-2.3dag.zip

参考文献：

[1]Chih-Chung Chang and Chih-Jen Lin, LIBSVM : a library for support vector machines, 2001. Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm

[2]J. Platt. Fast training of support vector machines using sequential minimal 
optimization. In B. Scholkopf, C. Burges, and A. Smola, editors, Advances in 
kernel methods: support vector learning. MIT Press, 1998.

[3] Sequential Minimal Optimization for SVM 
http://www.datalab.uci.edu/people/xge/svm/smo.pdf 
[4]Chang, C.-C. and C.-J. Lin (2001). Training ν_-support vector classifiers: Theory and algorithms. Neural Computation 13 (9), 2119–2147.

[5]Chang, C.-C. and C.-J. Lin (2002). Training ν _support vector regression: Theory and algorithms. Neural Computation 14 (8), 1959–1977