LibSVM学习（二）——第一次体验libSvm

1. 把LibSVM包解压到相应的目录（因为我只需要里面windows文件夹中的东东，我们也可以只把windows文件夹拷到相应的目录），比如D:/libsvm。

2. 在电脑“开始”的“运行”中输入cmd，进入DOS环境。定位到d:/ libsvm下，具体命令如下:

         d: (回车)

         cd /libsvm/windows (回车)

     (上面第一行是先定位到盘符d，第二行cd 是定位到相应盘符下的目录) 

3. 进行libsvm训练，输入命令：(这里要注意文件的名字，2.89以前版本都是svmtrain.exe)

          svm-train heart_scale train.model

         heart_scale——是目录下的已经存在的样本文件，要换成自己的文件，只需改成自己的文件名就可以了

         train.model ——是创建的结果文件，保存了训练后的结果

  可以看到结果：

     *

optimization finished, #iter = 162

nu = 0.431029

obj = -100.877288, rho = 0.424462

nSV = 132, nBSV = 107

      Total nSV = 132

 

其中，#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(0<a[i]<c)

nBSV为边界上的支持向量个数(a[i]=c)

Total nSV为支持向量总个数（对于两类来说，因为只有一个分类模型Total nSV = nSV，但是对于多类，这个是各个分类模型的nSV之和）。 

   

在目录下，还可以看到产生了一个train.model文件，可以用记事本打开，记录了训练后的结果。

          svm_type c_svc                     //所选择的svm类型，默认为c_svc

          kernel_type rbf                      //训练采用的核函数类型，此处为RBF核

          gamma 0.0769231                   //RBF核的参数γ

          nr_class 2                              //类别数，此处为两分类问题

          total_sv 132                           //支持向量总个数

          rho 0.424462                          //判决函数的偏置项b

          label 1 -1                                //原始文件中的类别标识

          nr_sv 64 68                           //每个类的支持向量机的个数

          SV                                         //以下为各个类的权系数及相应的支持向量

    1 1:0.166667 2:1 3:-0.333333 … 10:-0.903226 11:-1 12:-1 13:1

   0.51048321289851641:0.125 2:1 3:0.333333 … 10:-0.806452 12:-0.333333 13:0.5

   ………..

   -1 1:-0.375 2:1 3:-0.333333…. 10:-1 11:-1 12:-1 13:1

    -1 1:0.166667 2:1 3:1 …. 10:-0.870968 12:-1 13:0.5

 说明：(0.5104832128985164   应该是训练数据中该支持向量的系数，即求出来的式子中的阿拉法系数)

    到现在，第一次体验libsvm到这就基本结束了，其他的两个(svm-predict、svm-scale)的使用过程类似。怎么样，挺爽的吧。对于个别参数你还不理解，没关系，下面我们会具体讲到。