SVM使用方法总结

1、SVM的使用方法（整理完成于2011-03-14）目 录1 Libsvm下载32 Libsvm3.0环境变量设置33 训练和测试数据集下载34 运行python程序的环境配置35 LIBSVM使用的一般步骤是：36 再来说一下，libsvm-3.0的需要的数据及其格式。47 Libsvm数据格式制作：48 Windows版本的工具49 核函数的使用简介810 grid.py的使用1011 subset.py使用方法1112 checkdata.py的使用方法1213 easy.py使用方法1214 一个具体的应用实例1315 备注：常见问题的解决办法151 Libsvm下载在你给我发的邮件地址 下载libsvm的最新版本，现在最新版本是3.0的，下载地址为 1、 将libsvm-3.0.zip解压，我的解压到了C:根目录下了。2 Libsvm3.0环境变量设置添加环境变量到path：我的电脑-属性-高级-环境变量-系统变量-变量列表里面双击 Path，在变量值最后添加;C:libsvm-3.0windows 然后点击确定即可。3 训练和测试数据集下载在以下网址 可以下载到用来训练的数据

2、集合用来测试的数据集，这都是一些简单的数据。4 运行python程序的环境配置由于有可能使用到C:libsvm-3.0tools下的工具，所以的搭建相应的环境，下载两个软件python和gnuplot，下面说一下两个软件的下载地址和配置：a.对于python，下载地址在上寻找下载，目前版本是3.2的，但是我用的是2.6的，测试成功。安装就默认安装在C:就行，记得将C:Python26 添加到系统环境变量中。另外将C:Python26 中的python.exe添加到C:libsvm-3.0windows下面即可。b.对于gnuplot ，下载地址在u 。目前最新版本是4.4.3。他不用安装，直接解压放到C：根目录即可。（这注：部分不需要了）。c.下载gp440win32.zip，在网址 下载，这个解压放到C盘根目录，然后拷贝C:gnuplotbinary中的gnuplot.exe放到C:libsvm-3.0windows下面即可。5 LIBSVM使用的一般步骤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）首要考虑选用RBF核函数；4）采用交叉验证选择最

3、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。6 libsvm-3.0数据及其格式该软件使用的训练数据和检验数据文件格式如下： label index1:value1 index2:value2 label index1:value1 index2:value2 Label 就是说class（属于哪一类）, 就是你要分类的种类，通常是一些整数。 index 是有順序的索引，通常是连续的整数。就是指特征编号，必须按照升序排列 value 就是特征值，用来 train 的数据，通常是一堆实数组成。（注：修改训练和测试数据的格式为程序可以识别的程序目标值 第一维特征编号：第一维特征值 第二维特征编号：第二维特征值 目标值 第一维特征编号：第一维特征值 第二维特征编号：第二维特征值 目标值 第一维特征编号：第一维特征值 第二维特征编号：第二维特征值例如： 2.3 1:5.6 2:3.2 表示训练用的特征有两维，第一维是5.6，第二维是3.2，目标值是2.3 注意：训练和测试数据的格式必须相同，都如上所示。测试数据中的目标值是为了计

4、算误差用 ）7 Libsvm数据格式制作该过程可以自己使用excel或者编写程序来完成，也可以使用网络上FormatDataLibsvm.xls来完成。 FormatDataLibsvm.xls使用说明： a. 先将数据按照下列格式存放（注意label放最后面）： value1 value2 label value1 value2 label value1 value2 labelb. 然后将以上数据粘贴到FormatDataLibsvm.xls中的最左上角单元格，接着工具-宏-执行FormatDataToLibsvm宏。就可以得到libsvm要求的数据格式。测试可用，下载地址在（ ），或者自己再google中搜索下载即可。8 Windows版本的工具Windows版本的工具svm-scale.exe进行训练和测试数据的归一化，svm-train.exe进行模型训练，svm-predict.exe进行预测，具体步骤和过程在下面介绍。2、 C:libsvm-3.0windows下的工具使用方法打开C:libsvm-3.0windows ，里面有四个windows的exe程序。下面解释一下

5、这四个exe执行程序的意义和用法svm-scale.exe: scale输入数据，简单优化数据以提高精度。扫描数据.因为原始数据可能范围过大或过小, svmscale可以先将数据重新scale (縮放)到适当范围使训练与预测速度更快使用方法:svm-scale.exe -l lower -u upper -y y_lower y_upper -s save_name -r store_name ；其中 -l：数据下限标记；lower：缩放后数据下限 缺省值： lower = -1；-u：数据上限标记；upper：缺省值： upper = 1，代表着没有对y进行缩放；-y：是否对目标值同时进行缩放；y_lower：为下限值；y_upper：为上限值；（回归需要对目标进行缩放，因此该参数可以设定为 y -1 1 ）；-s save_name：表示将缩放的规则保存为文件save_name；-r store_name：表示将缩放规则文件store_name载入后按此缩放； ：待缩放的数据文件（要求满足前面所述的格式）。缩放规则文件可以用文本浏览器打开，看到其格式为： y lower upper

6、 min max x lower upper index1 min1 max1 index2 min2 max2 其中的lower 与upper 与使用时所设置的lower 与upper 含义相同；index 表 示特征序号；min 转换前该特征的最小值；max 转换前该特征的最大值。数据集的缩放结果在此情况下通过DOS窗口输出，当然也可以通过DOS的文件重定向符号“”将结果另存为指定的文件。该文 件中的参数可用于最后面对目标值的反归一化。反归一化的公式为： （Value-lower）*（max-min）/(upper - lower)+lower 其中value为归一化后的值，其他参数与前面介绍的相同。 建议将训练数据集与测试数据集放在同一个文本文件中一起归一化，然后再将归一化结果分成训练集和测试集。 svm-train.exe：训练数据，生成模型使用方法：svm-train.exe options training_set_file model_file，其中：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（对

7、于回归只能选3或4）： 0 C-SVC 1 n-SVC 2 - one-class-SVM 3 e-SVR4 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： (g*u*v+ coef 0)deg ree 2 - RBF 核：e( u v 2) g 3 - sigmoid 核：tanh(g*u*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 coef0：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

8、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。 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。（注1：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。）（注2：网上实验中的参数-s取3，-t取2（默认）还需确定的参数是-c，-g，-p 另， 实验中所需调整的重要参数是-c 和 g，-c和-g的调整除了自己根据经验试之外，还可以使用gridregression.py对这两个参数进行优化。（需要补充） 该优化过程需要用到Python（测试是2.5），Gnuplot（测试是4.2），gridregression.py（1、该文件需要修改路径2、下载地址在，再试没有使用过）。 然后在命令行下面运行： python.exe gridregression.py -log2c -10,10,1 -log2g -10,10,1 -log2p -10,10,1 -s 3 t 2 -v 5 -svmtrain E:libsvmlibsvm-2.86windowssvm-train.exe -gnuplot E:libsvmlibsvm-2.86gnuplotbinpgnuplot.exe E:libsvmlibsvm-2.86windowstrain.txt gridregression_feature.parameter 以上三个路径根据实际安装情况进行修改。 -log2c：是给出参数c的范围和步长-log2g：是给出参数g的范围和步长 -log2p：是给出参数p的范围和步长上面三个参数可以用默认范围和步长 -s：选择SVM类型，也是只能选

《SVM使用方法总结》由会员cn****1分享，可在线阅读，更多相关《SVM使用方法总结》请在金锄头文库上搜索。