libsvm基本使用指南

转载自：http://blog.sina.com.cn/s/blog_710435680100nvoy.html

LIBSVM 使用的一般步骤是：

　　1） 按照LIBSVM软件包所要求的格式准备数据集；

　　2） 对数据进行简单的缩放操作；

　　3） 考虑选用RBF 核函数；

　　4） 采用交叉验证选择最佳参数C与g ；

　　5） 采用最佳参数C与g 对整个训练集进行训练获取支持向量机模型；

　　6） 利用获取的模型进行测试与预测。

Svmtrain使用方法

　　Svmtrain(训练建模)的用法：svmtrain [options] training_set_file [model_file]

　　Options：可用的选项即表示的涵义如下

　　-s svm类型：SVM设置类型(默认0)

　　0 -- C-SVC

　　1 --v-SVC

　　2 – 一类SVM

　　3 -- e -SVR

　　4 -- v-SVR

　　-t 核函数类型：核函数设置类型(默认2)

　　0 – 线性：u'v

　　1 – 多项式：(r*u'v + coef0)^degree

　　2 – RBF函数：exp(-r|u-v|^2)

　　3 –sigmoid：tanh(r*u'v + coef0)

　　-d degree：核函数中的degree设置(针对多项式核函数)(默认3)

　　-g r(gama)：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)(默认1/ k)

　　-r coef0：核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)

　　-c cost：设置C-SVC，e -SVR和v-SVR的参数(损失函数)(默认1)

　　-n nu：设置v-SVC，一类SVM和v- SVR的参数(默认0.5)

　　-p p：设置e -SVR 中损失函数p的值(默认0.1)

　　-m cachesize：设置cache内存大小，以MB为单位(默认40)

　　-e eps：设置允许的终止判据(默认0.001)

　　-h shrinking：是否使用启发式，0或1(默认1)

　　-wi weight：设置第几类的参数C为weight?C(C-SVC中的C)(默认1)

　　-v n: n-fold交互检验模式，n为fold的个数，必须大于等于2

　　其中-g选项中的k是指输入数据中的属性数。option -v 随机地将数据剖分为n部分并计算交互检验准确度和均方根误差。以上这些参数设置可以按照SVM的类型和核函数所支持的参数进行任意组合，如果设置的参数在函数或SVM类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。

　　training_set_file是要进行训练的数据集；model_file是训练结束后产生的模型文件，文件中包括支持向量样本数、支持向量样本以及lagrange系数等必须的参数；该参数如果不设置将采用默认的文件名，也可以设置成自己惯用的文件名。

Svmpredict使用方法

　　Svmpredict(使用已有的模型进行预测)的用法：svmpredict test_file model_file output_file

　　model_file是由svmtrain产生的模型文件；

　　test_file是要进行预测的数据文件；

　　Output_file是svmpredict的输出文件。

　　svm-predict没有其它的选项。

举例说明

　　svmtrain -s 0 -c 1000 -t 1 -g 1 -r 1 -d 3 data_file

　　训练一个由多项式核(u'v+1)^3和C=1000组成的分类器。

　　svmtrain -s 1 -n 0.1 -t 2 -g 0.5 -e 0.00001 data_file

　　在RBF核函数exp(-0.5|u-v|^2)和终止允许限0.00001的条件下，训练一个?-SVM (? = 0.1)分类器。

　　svmtrain -s 3 -p 0.1 -t 0 -c 10 data_file

　　以线性核函数u'v和C=10及损失函数?= 0.1求解SVM回归。

　　输出如下：

　　optimization finished, #iter

　　迭代次数

　　epsilon =

　　二次规划的终止条件

　　obj = ,

　　obj,就是那个二次规划的最小值吧

　　rho =

　　判决函数的常数向

　　nSV = ,

　　支持向量的个数

  本部分列出几篇关于LIBSVM的重要论文。

　　libsvm：a library for Support Vector Machines

　　A practical guide to SVM classification

　　Training and Testing Low-degree Polynomial Data Mappings via Linear SVM

　　Working Set Selection Using Second Order Information for Training Support Vector Machines