LibSVM學習（三）——LibSVM使用規範

   其實，這部分寫也是多餘，google一下「libsvm使用」，就會N多的資源，可是，爲了讓你少費點心，在這裏就簡單的介紹一下，有不清楚的只有動動你的mouse了。須要說明的是，2.89版本之前，都是svmscale、svmtrain和svmpredict，最新的是svm-scale、svm-train和svm-predict，要是用不習慣，只須要把那四個exe文件名去掉中間的短橫線，改爲svmscale、svmtrain和svmpredict就能夠了，咱們仍是按原來函數名的講。

 

1. libSVM的數據格式

Label 1:value 2:value ….

 

Label：是類別的標識，好比上節train.model中提到的1 -1，你能夠本身隨意定，好比-10，0，15。固然，若是是迴歸，這是目標值，就要實事求是了。

Value：就是要訓練的數據，從分類的角度來講就是特徵值，數據之間用空格隔開

 

好比: -15 1:0.708 2:1056 3:-0.3333

 

須要注意的是，若是特徵值爲0，特徵冒號前面的(姑且稱作序號)能夠不連續。如：

       -15 1:0.708 3:-0.3333

代表第2個特徵值爲0，從編程的角度來講，這樣作能夠減小內存的使用，並提升作矩陣內積時的運算速度。咱們平時在matlab中產生的數據都是沒有序號的常規矩陣，因此爲了方便最好編一個程序進行轉化。

 

 

 

2. svmscale的用法

 

    svmscale是用來對原始樣本進行縮放的，範圍能夠本身定，通常是[0,1]或[-1,1]。縮放的目的主要是

1）防止某個特徵過大或太小，從而在訓練中起的做用不平衡；

2）爲了計算速度。由於在覈計算中，會用到內積運算或exp運算，不平衡的數據可能形成計算困難。

 

用法：svmscale [-l lower] [-u upper]

                         [-y y_lower y_upper]

                         [-s save_filename]

                         [-r restore_filename] filename

 

 

其中，[]中都是可選項：

         -l：設定數據下限；lower：設定的數據下限值，缺省爲-1

         -u：設定數據上限；upper：設定的數據上限值，缺省爲 1

         -y：是否對目標值同時進行縮放；y_lower爲下限值，y_upper爲上限值；

         -s save_filename：表示將縮放的規則保存爲文件save_filename；

         -r restore_filename：表示將按照已經存在的規則文件restore_filename進行縮放；

         filename：待縮放的數據文件，文件格式按照libsvm格式。

 

 

默認狀況下，只須要輸入要縮放的文件名就能夠了：好比(已經存在的文件爲test.txt)

        

                         svmscale test.txt

 

    這時，test.txt中的數據已經變成[-1,1]之間的數據了。可是，這樣原來的數據就被覆蓋了，爲了讓規劃好的數據另存爲其餘的文件，咱們用一個dos的重定向符 > 來另存爲(假設爲out.txt)：

        

                        svmscale test.txt > out.txt

 

   運行後，咱們就能夠看到目錄下多了一個out.txt文件，那就是規範後的數據。假如，咱們想設定數據範圍[0,1]，並把規則保存爲test.range文件:

                         svmscale –l 0 –u 1 –s test.range test.txt > out.txt

 

這時，目錄下又多了一個test.range文件，能夠用記事本打開，下次就能夠用-r test.range來載入了。

 

 

3. svmtrain的用法

 

      svmtrain咱們在前面已經接觸過，他主要實現對訓練數據集的訓練，並能夠得到SVM模型。

 

        用法： svmtrain [options] training_set_file [model_file]

 

其中，options爲操做參數，可用的選項即表示的涵義以下所示:

-s 設置svm類型：

         0 – C-SVC

         1 – v-SVC

         2 – one-class-SVM

         3 – ε-SVR

         4 – n - SVR

-t 設置核函數類型，默認值爲2

         0 -- 線性核：u'*v

         1 -- 多項式核： (g*u'*v+ coef 0)^degree

         2 -- RBF 核：exp(-γ*||u-v||²)

         3 -- sigmoid 核：tanh(γ*u'*v+ coef 0)

-d degree: 設置多項式核中degree的值，默認爲3

-gγ: 設置核函數中γ的值，默認爲1/k，k爲特徵（或者說是屬性）數；

         -r coef 0:設置核函數中的coef 0，默認值爲0；

         -c cost：設置C-SVC、ε-SVR、n - SVR中從懲罰係數C，默認值爲1；

         -n v ：設置v-SVC、one-class-SVM 與n - SVR 中參數n ，默認值0.5；

         -p ε ：設置v-SVR的損失函數中的e ，默認值爲0.1；

         -m cachesize：設置cache內存大小，以MB爲單位，默認值爲40；

         -e ε ：設置終止準則中的可容忍誤差，默認值爲0.001；

         -h shrinking：是否使用啓發式，可選值爲0 或1，默認值爲1；

         -b 機率估計：是否計算SVC或SVR的機率估計，可選值0 或1，默認0；

         -wi weight：對各種樣本的懲罰係數C加權，默認值爲1；

         -v n：n折交叉驗證模式；

         model_file：可選項，爲要保存的結果文件，稱爲模型文件，以便在預測時使用。

    

    默認狀況下，只須要給函數提供一個樣本文件名就能夠了，但爲了能保存結果，仍是要提供一個結果文件名，好比:test.model,則命令爲：

                                         svmtrain test.txt test.model

結果說明見LibSVM學習（二）。

 

4. svmpredict 的用法

    svmpredict 是根據訓練得到的模型，對數據集合進行預測。

   用法：svmpredict [options] test_file model_file output_file

 

   其中，options爲操做參數，可用的選項即表示的涵義以下所示:

-b probability_estimates——是否須要進行機率估計預測，可選值爲0 或者1，默認值爲0。

 

model_file ——是由svmtrain 產生的模型文件；

test_file—— 是要進行預測的數據文件，格式也要符合libsvm格式，即便不知道label的值，也要任意填一個，svmpredict會在output_file中給出正確的label結果，若是知道label的值，就會輸出正確率；

output_file ——是svmpredict 的輸出文件，表示預測的結果值。

 

   至此，主要的幾個接口已經講完了，知足通常的應用不成問題。對於要作研究的，還須要深刻到svm.cpp文件內部，看看都作了什麼。