記錄在學習ML過程當中，在MATLAB中集成LibSVM時遇到的問題

 前幾天寫了一下本身對SVM中關鍵的距離問題的理解，後面會繼續記錄本身對該模型其餘問題的理解，今天想試試SVM在「西瓜書」那個「阿爾法3.0」數據集上的效果。因而查到了「灣灣」教授林智仁先生大牛等寫的一個開源包LibSVM，而且該library能夠與不少平臺兼容，有不少語言版本，支持java 、C++、C 、MATLAB等，咱們能夠在林教授主頁上下載。LibSVM地址：http://www.csie.ntu.edu.tw/~cjlin/libsvm/，Windows平臺下載Zip壓縮文件，Linux下則是tar.gz，新版的包爲3.x。本人MATLAB開發平臺的版本號爲Windows下的R2016a，所以，記錄R2016a集成該開源包的過程。

  首先，我搜到了faruto大佬在matlabsky發的一個關於該問題的帖子，因而就按照該帖子的敘述進行相關的操做，不過踩到了好幾個坑，由於這個帖子是很久以前的，版本比較靠前，因此會有些細節上的不一樣，不過大體仍是能夠參考的。並且也有視頻的講解能夠參考。

原貼地址：http://www.matlabsky.com/thread-11925-1-1.html

優酷視頻：http://v.youku.com/v_showMini/id_XMjc2NTY3MzYw_ft_131.html

   Step1：添加LibSVM的搜索目錄（路徑）

  點擊主頁選項卡下的「設置路徑」按鈕---->點擊「添加幷包含子文件夾」---->點擊「libsvm-3.22」文件夾，選擇所在的目錄 ---->保存&關閉

  Step2：安裝C++編譯器

  帖子中先是運行mex -setup，按照提示進行選擇，可是我在安裝了VC6.0的先後，運行該命令都會報錯：「未安裝編譯器或者SDK」，也就是安裝了VC也找不到，我猜想多是VC太舊。因此換了GCC， 因爲開發包是C++開發的，因此須要相關的編譯器進行編譯後，MATLAB纔可以調用。因爲新版本的MATLAB支持MinGW（GCC）編譯器，並且相對比較小巧，故我選擇了安裝該編譯器（也能夠安裝VS201X），安裝路徑最好是「X:\TDM-GCC-64」這種形式，「X」是盤符下載地址：http://tdm-gcc.tdragon.net/download，或者下載網盤數據,連接：http://pan.baidu.com/s/1cMwao2 密碼：xh9u 。安裝完成後再運行命令「mex -setup」，依然提示錯誤，該問題多是GCC的path設置有問題，選擇調用setenv('MW_MINGW64_LOC',folder)函數進行設置，其中folder爲GCC的路徑，例如：setenv('MW_MINGW64_LOC','D:\TDM-GCC-64') ；運行該命令後再mex -setup ，OK，能夠！

  Step3：make.m編譯相關的C++文件（主要是train和predict源文件）

  緊隨Step2，選擇當前目錄爲Libsvm，而後運行make腳本（當前目錄設置爲Libsvm是防止MATLAB中有與make同名的腳本），本覺得已經成功集成，誰料依然出錯「No such file or directory......」,實在是有一種fuck dog的感受，繼續填坑，查閱其餘博客，幸虧有人遇到過一樣的問題，make腳本文件中將配置MATLAB對應的代碼行進行修改，具體將「CFLAGS」修改成「COMPFLAGS」能夠用ctr+F而後點擊所有替換能夠更快。完成以上操做以後，再運行make腳本函數，成功運行，在當前文件夾（../Libsvm/matlab）中，會發現多了兩個train和predict的.obj文件這是編譯以後的結果，表示成功。

  Step4：測試libsvm環境

  在libsvm2.x中，是有heart_scale.mat數據文件可是最新的libsvm3.x只有heart_scale純文本文件，這是C++數據數據文件的格式，若是按照faruto視頻中的操做，鍵入「load heart_scale」命令，會發現，結果出錯，這是因爲缺乏對應的MATLAB的數據格式的文件，所以須要用libsvmread命令進行讀入，該命令實際上是運行一個lib中的libsvmread.c的C文件，用於對數據的轉換，其調用格式爲libsvmread（‘filename’） ;例如[label_vector, instance_matrix] = libsvmread('heart_scale');此處用的當前路徑，不知道可不能夠用絕對路徑，能夠試試，應該是能夠的。數據通過轉換後，能夠發現，多了兩個數據，label_vector和instance，分別是樣本標籤和屬性，有了數據，下面就對環境進行正式測試。調用model = svmtrain(label_vector, instance_matrix) ;生成訓練模型後在調用svmpredict(label_vector, instance_matrix, model, 'q')，獲得結果。我用周教授《機器學習》上的西瓜數據集α3.0進行環境測試，獲得結果如圖所示：

  雖然結果不好，可是環境是搭建好了的，測試成功，由於我並無分訓練集和測試集，並且數據只有18條左右，因此這結果沒啥意義，我就只是單純測試環境是否搭建好，僅此而已。