当前位置：网站首页>【无标题】

【无标题】

2022-07-06 19:49:00 【weixin_41958486】

使用LibSVM

LibSVM的使用非常简单，只需调用有限的接口

示例1：

from libsvm.python.svmutil import *
from libsvm.python.svm import *

y, x = [1,-1], [{1:1, 2:1}, {1:-1,2:-1}]
prob = svm_problem(y, x)
param = svm_parameter('-t 0 -c 4 -b 1')
model = svm_train(prob, param)
yt = [1]
xt = [{1:1, 2:1}]
p_label, p_acc, p_val = svm_predict(yt, xt, model)
print(p_label)

输出结果：

optimization finished, #iter = 1
nu = 0.062500
obj = -0.250000, rho = 0.000000
nSV = 2, nBSV = 0
Total nSV = 2
test:
Model supports probability estimates, but disabled in predicton.
Accuracy = 100% (1/1) (classification)
[1.0]

在SVM数据中下载train1.txt和test1.txt。

LibSVM可以在文件中读取训练数据，这样便于大规模数据的使用。

示例：

from libsvm.python.svmutil import *
from libsvm.python.svm import *

y, x = svm_read_problem('train1.txt')
yt, xt = svm_read_problem('test1.txt')
model = svm_train(y, x )
print('test:')
p_label, p_acc, p_val = svm_predict(yt[200:202], xt[200:202], model)
print(p_label)

可以看到输出：

optimization finished, #iter = 5371
nu = 0.606150
obj = -1061.528918, rho = -0.495266
nSV = 3053, nBSV = 722
Total nSV = 3053
test:
Accuracy = 40.809% (907/2225) (classification)

LibSVM接口

训练数据格式

libsvm的训练数据格式如下：

<label> <index1>:<value1> <index2>:<value2> ...

示例：

1 1:2.927699e+01 2:1.072510e+02 3:1.149632e-01 4:1.077885e+02

主要类型

svm_problem

保存定义SVM模型的训练数据

svm_parameter

存储训练SVM模型所需的各种参数

svm_model

完成训练的SVM模型

svm_node

模型中一个特征的值，只包含一个整数索引和一个浮点值属性。

主要接口：

-svm_problem(y, x)

由训练数据y,x创建svm_problem对象

svm_train()

svm_train有3个重载：

model = svm_train(y, x [, 'training_options'])
model = svm_train(prob [, 'training_options'])
model = svm_train(prob, param)

用于训练svm_model模型

`svm_parameter(cmd)

创建svm_parameter对象，参数为字符串。

示例：

param = svm_parameter('-t 0 -c 4 -b 1')

svm_predict()

调用语法：

p_labs, p_acc, p_vals = svm_predict(y, x, model [,'predicting_options'])

参数：

y 测试数据的标签

x 测试数据的输入向量

model为训练好的SVM模型。

返回值：

p_labs是存储预测标签的列表。

p_acc存储了预测的精确度，均值和回归的平方相关系数。

p_vals在指定参数'-b 1'时将返回判定系数(判定的可靠程度)。

这个函数不仅是测试用的接口，也是应用状态下进行分类的接口。比较奇葩的是需要输入测试标签y才能进行预测，因为y不影响预测结果可以用0向量代替。

svm_read_problem

读取LibSVM格式的训练数据：

y, x = svm_read_problem('data.txt')

svm_save_model

将训练好的svm_model存储到文件中：

svm_save_model('model_file', model)

model_file的内容：

svm_type c_svc
kernel_type linear
nr_class 2
total_sv 2
rho 0
label 1 -1
probA 0.693147
probB 2.3919e-16
nr_sv 1 1
SV
0.25 1:1 2:1
-0.25 1:-1 2:-1

svm_load_model

读取存储在文件中的svm_model:

model = svm_load_model('model_file')

调整SVM参数

LibSVM在训练和预测过程中需要一系列参数来调整控制。

svm_train的参数：

-s SVM的类型(svm_type)
- 0 -- C-SVC(默认)
  使用惩罚因子(Cost)的处理噪声的多分类器
- 1 -- nu-SVC(多分类器)
  按照错误样本比例处理噪声的多分类器
- 2 -- one-class SVM
  一类支持向量机，可参见"SVDD"的相关内容
- 3 -- epsilon-SVR(回归)
  epsilon支持向量回归
- 4 -- nu-SVR(回归)
-t 核函数类型(kernel_type)
- 0 -- linear(线性核):
  u'*v
- 1 -- polynomial(多项式核):
  (gamma*u'*v + coef0)^degree
- 2 -- radial basis function(RBF,径向基核/高斯核):
  exp(-gamma*|u-v|^2)
- 3 -- sigmoid(S型核):
  tanh(gamma*u'*v + coef0)
- 4 -- precomputed kernel(预计算核)：
  核矩阵存储在training_set_file中

下面是调整SVM或核函数中参数的选项：

-d 调整核函数的degree参数，默认为3
-g 调整核函数的gamma参数，默认为1/num_features
-r 调整核函数的coef0参数，默认为0
-c 调整C-SVC, epsilon-SVR 和 nu-SVR中的Cost参数，默认为1
-n 调整nu-SVC, one-class SVM 和 nu-SVR中的错误率nu参数，默认为0.5
-p 调整epsilon-SVR的loss function中的epsilon参数，默认0.1
-m 调整内缓冲区大小,以MB为单位，默认100
-e 调整终止判据，默认0.001
-wi调整C-SVC中第i个特征的Cost参数

调整算法功能的选项：

-b 是否估算正确概率,取值0 - 1，默认为0
-h 是否使用收缩启发式算法(shrinking heuristics),取值0 - 1，默认为0
-v 交叉校验
-q 静默模式

Matlab

LibSVM的Matlab接口用法类似，Matlab丰富的标准工具箱提供了各种方便。

Statistic Tools工具箱提供了svmtrain和svmclassify函数进行SVM分类。

traindata = [0 1; -1 0; 2 2; 3 3; -2 -1;-4.5 -4; 2 -1; -1 -3];
group = [1 1 -1 -1 1 1 -1 -1]';
testdata = [5 2;3 1;-4 -3];
svm_struct = svmtrain(traindata,group);
Group = svmclassify(svm_struct,testdata);

svmtrain接受traindata和group两个参数，traindata以一行表示一个样本，group是与traindata中样本对应的分类结果，用1和-1表示。

svmtrain返回一个存储了训练好的svm所需的参数的结构体svm_struct。

svmclassify接受svm_struct和以一行表示一个样本的testdata，并以1和-1列向量的形式返回分类结果。