本文主要是介绍[转]LIBSVM详细使用方法，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Libsvm 是一个简单、方便使用和普遍适用高效率的软件，它是针对SVM分类的。这个文档将解释如何使用libsvm。
Libsvm 在http://www.csie.ntu.edu.tw/~cjlin/libsvm 可以得到。在你使用libsvm前请阅读COPYRIGHT文件。
安装
============
在 Unix系统中，`make'类是用来建立`svm-train' 和 `svm-classify' 程序的。不用看它们的使用说明，去运行它们。
在其它的系统中，使用pre-built binaries（Windows 的binaries 在子目录`windows'下）或者求助`Makefile'创建它们，这很容易。
训练和测试数据文件的格式是：
<label> <index1>:<value1> <index2>:<value2> ...
.
.
.
<label>（标签）的值是+１或-１，<index>是一个从１开始的整型值，<value>是一个实数。
在这个打包文件里有一个示例训练数据文件(heart_scale) 。type`./svm-train heart_scale'和它的程序来读训练数据文件，然后输出它的模型文件`heart_scale.model'，这时你就可以type`./svm-classify heart_scale heart_scale.model output'看到训练数据的分类速度。`output'文件包含了它的决策函数的输出属性。
在这个打包文件里还有其它的一些有用的程序。
scale:
这是个工具，用来归一化输入的数据文件，Type `make scale'来创建它。
svm-toy:
这是一个简单的图形接口，用来显示SVM在平面上如何分割数据。
你可以在窗口的底端输入选项，选项的语法规则与`svm-train'相同。
在各自的目录下创建类`make'。
你需要Qt图书馆来创建Qt版本。
(你可以从http://www.trolltech.com下载)
你需要GTK+图书馆来创建GTK版本。
(你可以从http://www.gtk.org下载)
我们用Visual C++来创建窗口视图。
pre-built Windows binaries 在windows 子目录下。
`svm-train' 的使用方法
=================
用法: svm-train [选项] training_set_file [model_file]
选项:
-c cost : 设置约束违反的代价C（C是个惩罚函数，是个常数）
-t kernel_type : 设置核函数的类型（缺省值 2）
0 --线性核函数
1 --多项式核函数
2 -- 径向基核函数
3 -- sigmoid核函数
-d degree :设置核函数的度
-g gamma :在核函数中设置gamma
-r coef0 :在多项式/sigmoid 核函数中设置coef0
-m cachesize :在MB中设置cache内存大小
-e epsilon : 设置终止条件的容许误差（缺省值为0.001）
Library 的使用
=============
这些函数和结构在头文件`svm.h'中已经声明了。
你需要#include "svm.h" 在你的C/C++源文件中，然后把你的程序链接到`svm.cpp'，这时你就能看到`svm-train.c' 和`svm-classify.c'，来显示如何使用它们。
在分类测试数据之前，你需要用训练数据构建一个SVM模型(`svm_model')。这个模型被保存在一个文件里方便以后使用。一旦一个SVM模型创建好了，你就可以使用它来分类新的数据。
- Function: struct svm_model *svm_train(const struct svm_problem *prob,
const struct svm_parameter *param);
这个函数根据你给定的训练数据和参数，创建和返回一个SVM模型。
struct svm_problem describes the problem:
struct svm_problem
{
int l;
signed char *y;
struct svm_node **x;
};
`l'为训练数据的个数，`y'是一个包含标签(+1/-1)的数组，`x' 是数组的指针，每一个指针都分别代表(svm_node数组)一个训练向量。
例如，有如下的一个训练数据：
LABEL ATTR1 ATTR2 ATTR3 ATTR4 ATTR5
----- ----- ----- ----- ----- -----
1 0 0.1 0.2 0 0
-1 0 0.1 0.3 -1.2 0
1 0.4 0 0 0 0
1 0 0.1 0 1.4 0.5
-1 -0.1 -0.2 0.1 1.1 0.1
这时svm_problem 的各部分分别代表：
l = 5
y -> 1 -1 1 1 -1
x -> [ ] -> (2,0.1) (3,0.2) (-1,?)
[ ] -> (2,0.1) (3,0.3) (4,-1.2) (-1,?)
[ ] -> (1,0.4) (-1,?)
[ ] -> (2,0.1) (4,1.4) (5,0.5) (-1,?)
[ ] -> (1,-0.1) (2,-0.2) (3,0.1) (4,1.1) (5,0.1) (-1,?)
(index,value)储存在结构`svm_node'中:
struct svm_node
{
int index;
double value;
};
index = -1 表明一个向量的结束。
struct svm_parameter describes the parameters of an SVM model:
struct svm_parameter
{
int kernel_type;
double degree; // for poly
double gamma; // for poly/rbf/sigmoid
double coef0; // for poly/sigmoid
// these are for training only
double cache_size; // in MB
double C;
double eps;
};
kernel_type can be one of LINEAR, POLY, RBF, SIGMOID.（几种核函数的类型）
LINEAR: u'*v （线性）
POLY: (gamma*u'*v + coef0)^degree （多项式）
RBF: exp(-gamma*|u-v|^2) （径向基函数）
SIGMOID: tanh(gamma*u'*v + coef0) （SIGMOID函数）
cache_size 为核内存的大小，单位为MB。
C是惩罚函数的值，为一常数. (我们通常使用 1 到 1000)
Eps是终止条件的容错误差 (我们通常使用 0.001)
*注意* 因为 svm_model 包含指针指向 svm_problem, 如果你仍然使用由svm_train()创建的svm_model ，你可以使用svm_problem 不释放内存。（这里翻译的不好）
- Function: int svm_save_model(const char *model_file_name,
const struct svm_model *model);
这个函数将一个模型保存到一个文件里，如果成功的话就返回０,如果不成功就返回-1.
- Function: struct svm_model *svm_load_model(const char *model_file_name);
这个函数从一个文件里读出一种模式，然后返回一个指针，如果找不到模式，就返回空指针．
- Function: double svm_classify(const struct svm_model *model,
const struct svm_node *x);
这个函数使用一个模式来分类一个文本向量x，返回决策函数的值(正用+1表示,负用 -1表示)
- Function: void svm_destroy_model(struct svm_model *model);
这个函数用一个模式来释放内存．
其它的一些信息
============
Chih-Chung Chang and Chih-Jen Lin
Libsvm: Introduction and Benchmarks
http://www.csie.ntu.edu.tw/~cjlin/papers/q2.ps.gz
声明:
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 Chih-Wei Hsu and Jen-Hao Lee
for many helpful discussions and comments.
这篇关于[转]LIBSVM详细使用方法的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
