Libsvm使用说明(三)

• Function: double svm_predict(const struct svm_model *model,
  const struct svm_node *x);

  这个函数为一个测试向量x在提供的一个模式下做分类或回归。
  对于分类模式，返回的是x被预测的类。
  对于回归模式，返回的是用该模式计算x的函数值。
  对于 one-class 模式，返回 +1 或 -1 。

• Function: void svm_cross_validation(const struct svm_problem *prob,
  const struct svm_parameter *param, int nr_fold, double *target);

  这个函数执行交叉验证。数据被分成 nr_fold 折。在已设的参数下，按顺序用剩下的训练集的训练出的模 式来验证每一折。验证过程中预测的 labels （所有可能的实体）被储存在名为 target 数组中。
  svm_prob 的格式与 svm_train() 的格式一样。

• Function: int svm_get_svm_type(const struct svm_model *model);

  这个函数提供模式的 svm_type 。可能的 svm_type 值在 svm.h 已定义。

• Function: int svm_get_nr_class(const svm_model *model);

  对于分类模式，这个函数提供类的数目。对于回归或一个 one-class 模式，返回值为 2 。

• Function: void svm_get_labels(const svm_model model, int label)

  对于一个分类模式，这个函数输出 labels 的名字，存进一个名为 label 的数组。
  对于回归和 one-class 模式，label 是未改变的。

• Function: double svm_get_svr_probability(const struct svm_model *model);

  对于一个有概率信息的回归模式，这个函数输出一个值 sigma > 0。
  对于测试数据，我们认为这样一个概率模式：
  目标值 = 预测值 + z, z: Laplace
  分布 e^(-|z|/sigma)/(2sigma)

  如果模式不是用于 svr 或不包含所需的信息，返回 0 。

• Function: double svm_predict_values(const svm_model *model,
  const svm_node x, double dec_values)

  这个函数给出一个在给定模式下测试向量x的决定值，并返回预测的 label（类）或者函数值（回归）。

  对于有 nr_class 个类的分类模式，这个函数在 dec_values 数组中提供 nr_class*(nr_class-1)/2 个决 定值，nr_class 可从 svm_get_nr_class 函数获得。
  顺序是 label[0] vs. label[1], …,label[0] vs. label[nr_class-1],
  label[1] vs. label[2], …,label[nr_class-2] vs. label[nr_class-1],
  label可由 svm_get_labels 函数得到。
  返回值是 x 被预测的类。注意当 nr_class = 1 时这个函数不给出任何决定值。

  对于回归模式，dec_values[0] 和返回值都是在该模式下计算的 x 的函数值。
  对于 one-class 模式，dec_values[0] 是 x 的决定值，返回值是 +1/-1 。

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

  这个函数在有概率信息的模式下为测试向量 x 做分类或回归。

  对于一个有概率信息的分类模式，这个函数在 prob_estimates 数组中给出 nr_class 个概率估计。
  nr_class 可从 svm_get_nr_class 函数获得。返回有最大概率的类。
  对于回归或 one-class SVM，prob_estimates 数组未改变并且返回值与 svm_predict 一样。

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

  这个函数检查参数是否在可行的范围之内。这个函数应该被 svm_train() 和 svm_cross_validation()使用之前调用。如果参数可行，它返回 NULL ，否则返回一个错误信息。

• Function: int svm_check_probability_model(const struct svm_model *model);

  这个函数检查模式是否包含做概率估计时所需的信息。如果有，返回 +1 。否则，返回 0 。
  这个函数应该在 svm_get_svr_probability 和 svm_predict_probability只用之前调用。

• Function: int svm_save_model(const char *model_file_name,
  const struct svm_model *model);

  这个函数保存一个模式为一个文件；返回 0 表示成功，或者 -1 表示有错误发生。

• Function: struct svm_model *svm_load_model(const char *model_file_name);

  这个函数返回一个指向从文件读入的模式的指针，或者如果模式不能被载入则返回一个空指针。

• Function: void svm_free_model_content(struct svm_model *model_ptr);

  这个函数释放被模式结构中的条目使用的内存。

• Function: void svm_free_and_destroy_model(struct svm_model **model_ptr_ptr);

  这个函数释放模式使用的内存并摧毁模式结构。
  等价于 svm_destroy_model ，version 3.0 以后的版本中被免去。

• Function: void svm_destroy_param(struct svm_parameter *param);

  这个函数释放设定参数时候使用的内存。

• Function: void svm_set_print_string_function(void (print_func)(const char ));

  用户可以用一个函数确定他们的输出格式。用 svm_set_print_string_function(NULL);
  向默认的标准输出中输出。

Java版本

=======================

预编译的 java 类文件‘libsvm.jar’和其源码文件在 java 文件夹下。使用下列命令来运行程序，

java -classpath libsvm.jar svm_train <arguments>
java -classpath libsvm.jar svm_predict <arguments>
java -classpath libsvm.jar svm_toy
java -classpath libsvm.jar svm_scale <arguments>

注意你需要 Java 1.5 (5.0) 或更高来运行它。

你也许需要添加 Java runtime library (像是 classes.zip) 到classpath中。
你也可能要增加 maximum Java heap size.

库的使用与C版本类似。有以下函数可用：

public class svm {
    public static final int LIBSVM_VERSION=321; 
    public static svm_model svm_train(svm_problem prob, svm_parameter param);
    public static void svm_cross_validation(svm_problem prob, svm_parameter param, int nr_fold, double[] target);
    public static int svm_get_svm_type(svm_model model);
    public static int svm_get_nr_class(svm_model model);
    public static void svm_get_labels(svm_model model, int[] label);
    public static void svm_get_sv_indices(svm_model model, int[] indices);
    public static int svm_get_nr_sv(svm_model model);
    public static double svm_get_svr_probability(svm_model model);
    public static double svm_predict_values(svm_model model, svm_node[] x, double[] dec_values);
    public static double svm_predict(svm_model model, svm_node[] x);
    public static double svm_predict_probability(svm_model model, svm_node[] x, double[] prob_estimates);
    public static void svm_save_model(String model_file_name, svm_model model) throws IOException
    public static svm_model svm_load_model(String model_file_name) throws IOException
    public static String svm_check_parameter(svm_problem prob, svm_parameter param);
    public static int svm_check_probability_model(svm_model model);
    public static void svm_set_print_string_function(svm_print_interface print_func);
}

库在”libsvm” 包中.
注意，在 Java 版本中，svm_node[] 并不以一个 index = -1 的节点结束。

用户可以指定输出格式用：

your_print_func = new svm_print_interface()
    { 
        public void print(String s)
        {
            // your own format
        }
    };
    svm.svm_set_print_string_function(your_print_func);

编译Windows二进制文件

===================================

Windows 二进制文件在‘windows’目录下。按以下步骤用 Visual C++ 编译它们：

1）打开DOS命令行 (或Visual Studio命令行) 切换到 libsvm目录.
若 VC++ 的环境变量还未设置, 键入

"C:\Program Files\Microsoft Visual Studio 10.0\VC\bin\vcvars32.bat"

你可能不得不更改上面命令根据你自己VC++的版本或安装的位置。

2）键入

nmake -f Makefile.win clean all

3） (可选) 构建共享库 libsvm.dll, 键入

nmake -f Makefile.win lib

4） (可选) To build 32-bit windows binaries, you must
(1) Setup “C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC\bin\vcvars32.bat” instead of vcvars64.bat
(2) Change CFLAGS in Makefile.win: /D _WIN64 to /D _WIN32

Another way is to build them from Visual C++ environment. See details in libsvm FAQ.

附加工具: Sub-sampling, Parameter Selection, Format checking，等

==============================================

详见tools目录中的README.

MATLAB/OCTAVE接口

===============================
Please check the file README in the directory ‘matlab’.

Python接口

=======================

See the README file in python directory.

补充

=======================

If you find LIBSVM helpful, please cite it as

Chih-Chung Chang and Chih-Jen Lin, LIBSVM : a library for support
vector machines. ACM Transactions on Intelligent Systems and
Technology, 2:27:1–27:27, 2011. Software available at
http://www.csie.ntu.edu.tw/~cjlin/libsvm

LIBSVM implementation document is available at
http://www.csie.ntu.edu.tw/~cjlin/papers/libsvm.pdf

For any questions and comments, please email cjlin@csie.ntu.edu.tw

Acknowledgment:
This work was supported in part by the National Science
Council of Taiwan via the grant NSC 89-2213-E-002-013.
The authors thank their group members and users
for many helpful discussions and comments. They are listed in
http://www.csie.ntu.edu.tw/~cjlin/libsvm/acknowledgements