python支持向量机库安装_为支持向量机库LIBSVM使用python绑定的示例

这个例子演示了一个单类SVM分类器，它尽可能简单，同时仍然显示完整的LIBSVM工作流。

步骤1：导入NumPy&LIBSVMimport numpy as NP

from svm import *

步骤2:生成合成数据：例如，给定边界内的500个点(注意：LIBSVMwebsite上提供了相当多的实数据集)Data = NP.random.randint(-5, 5, 1000).reshape(500, 2)

步骤3:现在，为一个类分类器选择一些非线性决策边界：rx = [ (x**2 + y**2) < 9 and 1 or 0 for (x, y) in Data ]

步骤4:下一步，使用此决策边界对数据进行任意分区：I类：位于上或内的任意圆

II类：决策边界(圆)外的所有点

SVM模型的构建从这里开始；在此之前的所有步骤只是准备一些合成数据。

步骤5：通过调用svm问题，传入决策边界函数和数据来构造问题描述，然后将此结果绑定到变量。px = svm_problem(rx, Data)

步骤6:为非线性映射选择一个核函数

对于这个例子，我选择了RBF(径向基函数)作为我的核函数pm = svm_parameter(kernel_type=RBF)

步骤7:训练分类器，

通过调用svm模型，传递问题描述(px)&amp；内核(pm)v = svm_model(px, pm)

第8步：最后，对训练后的模型对象('v')调用predict来测试训练后的分类器v.predict([3, 1])

# returns the class label (either '1' or '0')

在上面的例子中，我使用了LIBSVM的3.0版本(这个答案发布时的当前稳定释放)。

最后，w/r/t关于选择核函数的部分，支持向量机不是特定于特定核函数的，例如，我可以选择不同的核(高斯核、多项式等)。

LIBSVM包含所有最常用的内核函数——这是一个很大的帮助，因为您可以看到所有可能的替代项，并选择一个用于您的模型，这只是调用svm_parameter并为kernel_type传递一个值(所选内核的三个字母缩写)。

最后，选择用于训练的内核函数必须与测试数据匹配。