关于libsvm的c++训练的有关例子

关于libsvm的c++训练的有关例子**
本人是小白，因为在学习图像处理的过程中，需要用到libsvm，因此将在使用过程中遇到的问题记录下来，方便以后自己查看，也希望能够帮助其他的初学者。
首先关于libsvm的介绍libsvm下载可以从其官网免费获得,可以根据自己的需要下载版本，本人下载的是3.23版本.
不同文件夹对应不同版本的libsvm,其中README是关于libsvm的介绍，里面都是英文，这个是一位博主介绍的中文版本。看完之后就开始准备数据，首先就是将数据归一化，libsvm自带归一化的工具，具体使用方法见博客。由于我个人采用数据的特殊性，因此没有用自带的归一化的工具。然后就是生成libsvm训练是所需要的数据格式，数据格式如下：Label 1:value 2:value ….
Label：如果是分类，就是类别的标识，可以随意定，我定的是0和1。原始数据如下图所示：
生后的数据格式如下图所示

生成数据的代码我采用的主要是参考博主的代码，并进行一点改进。
int main()
{

struct featureVector {
	string label;
	vector<string> values;
};
string line, word, buff;                  //分别保存来自文件的一行和一个单词
string inAdress, outAdress;
cout << "input the infile address" << endl;
cin >> inAdress;
cout << "input the outfile address" << endl;
cin >> outAdress;
ifstream infile(inAdress);//格式如"D://t.txt"
ofstream outfile(outAdress);//格式如"D://tt.txt"
vector<featureVector> objectPic;    //保存来自文件的所有记录

while (getline(infile, line)) {

	int i = 0;
	featureVector info;             //创建一个保存记录数据的对象 
	istringstream record(line);     //将记录绑定在刚刚读入的行
	record >> info.label;           //读取label
	while (i!=9)          //读取特征向量数据
	{
		
		if (i != 0)                //每行的第一个为标签，不用序号
		{
			buff = i + '0';    //values是一个string型的vector,所以要将i转换一下类型
			info.values.push_back(buff);
			info.values.push_back(":");
			info.values.push_back(word);   //保持它们
		}
		record >> word;
		i++;
	}
	objectPic.push_back(info);      //将此记录追加到objectPic的末尾
}
for (const auto &entry : objectPic) {    //对objectPic中的每一项
	int j = 0;
	outfile << entry.label;
	for (const auto &nums : entry.values) {

		if (j % 3 == 0)          //在每一个向量的值后面才需要加上空格
			outfile << " ";
		outfile << nums;
		j++;
	}
	outfile << "\n";     //一条记录输出完后换行
}
getchar();
return 0;

}
``
数据格式准备完毕以后就是开始进行训练，首先新建一个工程文件，将svm.h和svm.cpp加入工程。可以参考博主

首先对数据进行训练，将svm-train加入工程（注意：为保证代码不是一闪而过，在svm-train.c里面加了一句）system（“pause”）

将准备好的数据格式文件加入工程文件目录下，接下来就是配置参数。参数的配置
关于配置参数的说明如下：
options（操作参数）：可用的选项即表示的涵义如下所示
-s svm类型：设置SVM 类型，默认值为0，可选类型有：
0 – C- SVC
1 – n - SVC
2 – one-class-SVM
3 – e - SVR
4 – n - SVR

-t 核函数类型：设置核函数类型，默认值为2，可选类型有：
0 – 线性核：u’v
1 – 多项式核： (gu’v+ coef 0)deg ree
2 – RBF 核：e( u v 2) g -
3 – sigmoid 核：tanh(gu’*v+ coef 0)

-d degree：核函数中的degree设置，默认值为3； -g g ：设置核函数中的g ，默认值为1/ k ；
-r coef 0：设置核函数中的coef 0，默认值为0；
-c cost：设置C- SVC、e - SVR、n - SVR中从惩罚系数C，默认值为1；
-n n ：设置n - SVC、one-class-SVM 与n - SVR 中参数n ，默认值0.5；
-p e ：设置n - SVR的损失函数中的e ，默认值为0.1；
-m cachesize：设置cache内存大小，以MB为单位，默认值为40；
-e e ：设置终止准则中的可容忍偏差，默认值为0.001；
-h shrinking：是否使用启发式，可选值为0 或1，默认值为1；
-b 概率估计：是否计算SVC或SVR的概率估计，可选值0 或1，默认0；
-wi weight：对各类样本的惩罚系数C加权，默认值为1；
-v n：n折交叉验证模式。
其中-g选项中的k是指输入数据中的属性数。操作参数 -v 随机地将数据剖分为n 部分并计算交叉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，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。
在关于分类问题是的时候一般选用C- SVC,关于核函数的选择，本人也不是十分清楚，看过博主里面有详细的介绍。我个人选择RBF核函数，而使用核函数最主要的就是关于核参数-g和-c的设置，令人高兴的是libsvm已经有关于-g和-c的参数寻优的工程。但是需要Python和gnuplot两个软件，关于Python的下载本人就不在叙述，网上有很多的教程。关于gnuplot的下载：https://sourceforge.net/projects/gnuplot/files/gnuplot/ 下载完直接解压就行，不用安装。准备完毕之后。使用IDLE打开grid.py， grid.py在libsvm/tools里面，切记不要使用notepad++等其他软件打开该文件。
找到gnuplot 的安装目录，打开gnuplot\bin\，复制该目录替换上面的c:\tmp\gnuplot\bin\pgnuplot.exe”，在windows环境下的修改方式如下：

本人的pgnuplot.exe目录在F:\GNUPLOT\gnuplot。因此替换成如下目录，对自己准备好的训练集进行参数寻优，本人的训练集命名为111.txt.将训练集和grid.py放在相同目录下执行cmd，输入一下命令 python grid.py 111.txt
结果如下，第一个参数为c，第二个参数为g，因此在libsvm训练时将参数命名如下：
-s 0 -t 2 -c 2048 -g 8 -h 0 111.txt myModel1
111.txt为训练数据集，myModel1为训练结束后的模型。训练结果如下：

接下来就是对模型进行测试，将svm-train移除工程，将svm-predic添加进来进行测试，配置参数如下-b 0 222.txt myModel1 predFile.txt。222.txt为测试数据，predFile.txt,为测试结果。命令参数设置完成调试，就可以得出测试结果：

同时，也可以配合其他程序进行预测，也就是来一组数据对数据进行一次预测。

{
	svm_model* model = svm_load_model("myModel1");     // 保存训练好的模型，下次使用时就可直接导入
	double data[8] = { 0.0413223,0.206612 ,0.107438 ,0.0661157, 0.0909091 , 0.289256 , 0.14876 , 0.0495868 };//数组
	int feature_size = 8;//特征数
	svm_node* node = new svm_node[1 + feature_size];
	for (int i = 0; i < feature_size; i++)
	{
		node[i].index = i + 1;
		node[i].value = data[i];
	}
	node[feature_size].index = -1;
	double pred = svm_predict(model, node);
	cout << "predict: " << pred << endl;
	system("pause");
}

预测结果如图所示，到这libsvm训练结束，这篇博客仅供参考使用，由于第一次写博客，排版可能比较乱，也可能会有错误的地方，欢迎大家指正。同时对于参考的博主的博文表示感谢，如有侵权的地方联系删除。