精华内容
下载资源
问答
  • SVM参数说明
    千次阅读
    2020-12-22 02:09:53

    English:

    libsvm_options:

    -s svm_type : set type of SVM (default 0)

    0 -- C-SVC

    1 -- nu-SVC

    2 -- one-class SVM

    3 -- epsilon-SVR

    4 -- nu-SVR

    -t kernel_type : set type of kernel function (default 2)

    0 -- linear: u'*v

    1 -- polynomial: (gamma*u'*v + coef0)^degree

    2 -- radial basis function: exp(-gamma*|u-v|^2)

    3 -- sigmoid: tanh(gamma*u'*v + coef0)

    4 -- precomputed kernel (kernel values in training_instance_matrix)

    -d degree : set degree in kernel function (default 3)

    -g gamma : set gamma in kernel function (default 1/k)

    -r coef0 : set coef0 in kernel function (default 0)

    -c cost : set the parameter C of C-SVC, epsilon-SVR, and nu-SVR (default 1)

    -n nu : set the parameter nu of nu-SVC, one-class SVM, and nu-SVR (default 0.5)

    -p epsilon : set the epsilon in loss function of epsilon-SVR (default 0.1)

    -m cachesize : set cache memory size in MB (default 100)

    -e epsilon : set tolerance of termination criterion (default 0.001)

    -h shrinking: whether to use the shrinking heuristics, 0 or 1 (default 1)

    -b probability_estimates: whether to train a SVC or SVR model for probability estimates, 0 or 1

    (default 0)

    -wi weight: set the parameter C of class i to weight*C, for C-SVC (default 1)

    -v n: n-fold cross validation mode

    ==========================================================

    Chinese:

    Options

    :可用的选项即表示的涵义如下

    -s svm

    类型:

    SVM

    设置类型

    (

    默认

    0)

    0 -- C-SVC

    1 --v-SVC

    2

    –一类

    SVM

    3 -- e -SVR

    4 -- v-SVR

    -t

    核函数类型:核函数设置类型

    (

    默认

    2)

    0

    –线性:

    u'v

    1

    –多项式:

    (r*u'v + coef0)^degree

    2

    RBF

    函数:

    exp(-r|u-v|^2)

    3

    sigmoid

    tanh(r*u'v + coef0)

    -d degree

    :核函数中的

    degree

    设置

    (

    针对多项式核函数

    )(

    默认

    3)

    -g r(gama)

    :核函数中的

    gamma

    函数设置

    (

    针对多项式

    /rbf/sigmoid

    核函数

    )(

    默认

    1/ k)

    -r coef0

    :核函数中的

    coef0

    设置

    (

    针对多项式

    /sigmoid

    核函数

    )((

    默认

    0)

    更多相关内容
  • svm参数说明

    千次阅读 2017-04-25 11:14:04
    svm参数说明---------------------- 如果你要输出类的概率,一定要有-b参数 svm-train training_set_file model_file svm-predict test_file model_fileoutput_file 自动脚本:Python easy.py train_...

    svm参数说明----------------------

    如果你要输出类的概率,一定要有-b参数

    svm-train training_set_file model_file

    svm-predict test_file model_fileoutput_file

    自动脚本:Python easy.py train_data test_data

    自动选择最优参数,自动进行归一化。

    对训练集合和测试结合,使用同一个归一化参数。

    -c:参数

    -g: 参数

    -v:交叉验证数

    -s svm_type : set type of SVM (default 0)

            0 -- C-SVC

            1 -- nu-SVC

            2 -- one-class SVM

            3 -- epsilon-SVR

            4 -- nu-SVR

    -t kernel_type : set type of kernelfunction (default 2)

            0 -- linear: u'*v

            1 -- polynomial: (gamma*u'*v + coef0)^degree

            2 -- radial basis function: exp(-gamma*|u-v|^2)

            3 -- sigmoid: tanh(gamma*u'*v + coef0)

    -d degree : set degree in kernel function(default 3)

     

    -g gamma : set gamma in kernel function(default 1/num_features)

    -r coef0 : set coef0 in kernel function(default 0)

    -c cost : set the parameter C of C-SVC,epsilon-SVR, and nu-SVR (default 1)

    -n nu : set the parameter nu of nu-SVC,one-class SVM, and nu-SVR (default 0.5)

    -p epsilon : set the epsilon in lossfunction of epsilon-SVR (default 0.1)

    -m cachesize : set cache memory size in MB(default 100)

    -e epsilon : set tolerance of terminationcriterion (default 0.001)

    -h shrinking: whether to use the shrinkingheuristics, 0 or 1 (default 1)

    -b probability_estimates: whether to traina SVC or SVR model for probability estimates, 0 or 1 (default 0)(如果需要估计分到每个类的概率,则需要设置这个)

    -wi weight: set the parameter C of class ito weight*C, for C-SVC (default 1)

     Thek in the -g option means the number of attributes in the input data.

     

     

    libsvm使用误区----------------------

    (1)      直接将训练集合和测试集合简单归一化到[0,1]区间,可能导致实验结果很差。

    (2)      如果样本的特征数非常多,那么就不必使用RBF核将样本映射到高维空间。

    a)        在特征数非常多的情况下,使用线性核,结果已经非常好,并且只需要选择参数C即可。

    b)        虽然说RBF核的结果至少比线性核好,前提下搜索整个的空间。

    (3)      样本数<<特征数的情况:

    a)        推荐使用线性核,可以达到与RBF同样的性能。

    (4)      样本数和特征数都非常多:推荐使用liblinear,更少的时间和内存,可比的准确率。

    (5)      样本数>>特征数:如果想使用线性模型,可以使用liblinear,并且使用-s 2参数

     

    libsvm在训练model的时候,有如下参数要设置,当然有默认的参数,但是在具体应用方面效果会大大折扣。 

    Options:可用的选项即表示的涵义如下

    -s svm类型:SVM设置类型(默认0)

    0 -- C-SVC

    1 --v-SVC

    2 一类SVM

    3 -- e -SVR

    4 -- v-SVR 

     

    -t 核函数类型:核函数设置类型(默认2)

    0 线性:u'v

    1 多项式:(r*u'v + coef0)^degree

    2  RBF函数:exp(-gamma|u-v|^2)

    3 sigmoidtanh(r*u'v + coef0)

     

     

    -d degree:核函数中的degree设置(针对多项式核函数)(默认3)

    -g r(gama):核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)(默认1/ k)

    -r coef0:核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)

    -c cost:设置C-SVCe -SVRv-SVR的参数(损失函数)(默认1)

    -n nu:设置v-SVC,一类SVMv- SVR的参数(默认0.5)

    -p p:设置e -SVR 中损失函数p的值(默认0.1)

    -m cachesize:设置cache内存大小,以MB为单位(默认40)

    -e eps:设置允许的终止判据(默认0.001)

    -h shrinking:是否使用启发式,01(默认1)

    -wi weight:设置第几类的参数Cweight*C(C-SVC中的C)(默认1)

    -v n: n-fold交互检验模式,nfold的个数,必须大于等于2

      其中-g选项中的k是指输入数据中的属性数。option -v 随机地将数据剖分为n

     

    当构建完成model后,还要为上述参数选择合适的值,方法主要有Gridsearch,其他的感觉不常用,Gridsearch说白了就是穷举。

     

    网格参数寻优函数(分类问题):SVMcgForClass

    [bestCVaccuracy,bestc,bestg]=

    SVMcgForClass(train_label,train,

    cmin,cmax,gmin,gmax,v,cstep,gstep,accstep)

    输入:

    train_label:训练集的标签,格式要求与svmtrain相同。

    train:训练集,格式要求与svmtrain相同。

    cmin,cmax:惩罚参数c的变化范围,即在[2^cmin,2^cmax]范围内寻找最佳的参数c,默认值为cmin=-8cmax=8,即默认惩罚参数c的范围是[2^(-8),2^8]

    gmin,gmax:RBF核参数g的变化范围,即在[2^gmin,2^gmax]范围内寻找最佳的RBF核参数g,默认值为gmin=-8gmax=8,即默认RBF核参数g的范围是[2^(-8),2^8]

    v:进行Cross Validation过程中的参数,即对训练集进行v-fold Cross Validation,默认为3,即默认进行3CV过程。

    cstep,gstep:进行参数寻优是cg的步进大小,即c的取值为2^cmin,2^(cmin+cstep),,2^cmax,g的取值为2^gmin,2^(gmin+gstep),,2^gmax,默认取值为cstep=1,gstep=1

    accstep:最后参数选择结果图中准确率离散化显示的步进间隔大小([0,100]之间的一个数),默认为4.5

    输出:

    bestCVaccuracy:最终CV意义下的最佳分类准确率。

    bestc:最佳的参数c

    bestg:最佳的参数g

     

    网格参数寻优函数(回归问题):SVMcgForRegress

    [bestCVmse,bestc,bestg]=

    SVMcgForRegress(train_label,train,

    cmin,cmax,gmin,gmax,v,cstep,gstep,msestep)

    其输入输出与SVMcgForClass类似,这里不再赘述。


    而当你训练完了model,在用它做classificationregression之前,应该知道model中的内容,以及其含义。

     

    用来训练的是libsvm自带的heart数据

     

    model =

       Parameters: [5x1 double]

         nr_class: 2

          totalSV: 259                   % 支持向量的数目

              rho: 0.0514               %  b

            Label: [2x1 double]     %  classification中标签的个数

            ProbA: []

            ProbB: []

              nSV: [2x1 double]     %  每类支持向量的个数

           sv_coef: [259x1 double]  %   支持向量对应的Wi

     

              SVs: [259x13 double]  %   装的是259个支持向量

     

    model.Parameters参数意义从上到下依次为:

    -s svm类型:SVM设置类型(默认0)

    -t 核函数类型:核函数设置类型(默认2)

    -d degree:核函数中的degree设置(针对多项式核函数)(默认3)

    -g r(gama):核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数) (默认类别数目的倒数)

    -r coef0:核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)

     

    SVM 怎样能得到好的结果

    1.   对数据做归一化(simple scaling

    2.   应用 RBF kernel 

    3.   cross-validationgrid-search 得到最优的c和g

    4.   用得到的最优cg训练训练数据

    5.   测试


     

    关于svmC以及核函数参数设置----------------------

    参考自:对支持向量机几种常用核函数和参数选择的比较研究

      

    C一般可以选择为:10^t , t=- 4..4就是0.0001 10000

     选择的越大,表示对错误例惩罚程度越大,可能会导致模型过拟合

     

    LIBSVM-t用来指定核函数类型(默认值是2)。

    0)线性核函数

    (无其他参数)

    1)多项式核函数

    (重点是阶数的选择,即d,一般选择1-111 3 5 7 9 11,也可以选择2,46…

    2RBF核函数

    (径向基RBF内核,exp{-|xi-xj|^2/均方差},其中均方差反映了数据波动的大小。

    参数通常可选择下面几个数的倒数:0.1 0.2 0.4 0.6 0.8 1.6 3.2 6.4 12.8,默认的是类别数的倒数,即1/k2分类的话就是0.5

    3sigmoid核函数 又叫做S形内核

    两个参数g以及rg一般可选1 2 3 4r0.2 0.4 0.60.8 1

    4)自定义核函数

     

    常用的四种核函数对应的公式如下:

     

    与核函数相对应的libsvm参数:

    1)对于线性核函数,没有专门需要设置的参数

    2)对于多项式核函数,有三个参数。-d用来设置多项式核函数的最高此项次数,也就是公式中的d,默认值是3-g用来设置核函数中的gamma参数设置,也就是公式中的第一个r(gamma),默认值是1/kk是类别数)。-r用来设置核函数中的coef0,也就是公式中的第二个r,默认值是0

    3)对于RBF核函数,有一个参数。-g用来设置核函数中的gamma参数设置,也就是公式中的第一个r(gamma),默认值是1/kk是类别数)。

    4)对于sigmoid核函数,有两个参数。-g用来设置核函数中的gamma参数设置,也就是公式中的第一个r(gamma),默认值是1/kk是类别数)。-r用来设置核函数中的coef0,也就是公式中的第二个r,默认值是0


    关于cost和gamma

    SVM模型有两个非常重要的参数C与gamma。其中 C是惩罚系数,即对误差的宽容度。c越高,说明越不能容忍出现误差,容易过拟合。C越小,容易欠拟合。C过大或过小,泛化能力变差

               gamma是选择RBF函数作为kernel后,该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布,gamma越大,支持向量越少,gamma值越小,支持向量越多。支持向量的个数影响训练与预测的速度。

              此外大家注意RBF公式里面的sigma和gamma的关系如下

        

            这里面大家需要注意的就是gamma的物理意义,大家提到很多的RBF的幅宽,它会影响每个支持向量对应的高斯的作用范围,从而影响泛化性能。我的理解:如果gamma设的太大,会很小,很小的高斯分布长得又高又瘦, 会造成只会作用于支持向量样本附近,对于未知样本分类效果很差,存在训练准确率可以很高,(如果让无穷小,则理论上,高斯核的SVM可以拟合任何非线性数据,但容易过拟合)而测试准确率不高的可能,就是通常说的过训练;而如果设的过小,则会造成平滑效应太大,无法在训练集上得到特别高的准确率,也会影响测试集的准确率。

    此外,可以明确的两个结论是:
    结论1:样本数目少于特征维度并不一定会导致过拟合,这可以参考余凯老师的这句评论:
    这不是原因啊,呵呵。用RBF kernel, 系统的dimension实际上不超过样本数,与特征维数没有一个trivial的关系。

    结论2:RBF核应该可以得到与线性核相近的效果(按照理论,RBF核可以模拟线性核),可能好于线性核,也可能差于,但是,不应该相差太多。
    当然,很多问题中,比如维度过高,或者样本海量的情况下,大家更倾向于用线性核,因为效果相当,但是在速度和模型大小方面,线性核会有更好的表现。

    老师木还有一句评论,可以加深初学者对SVM的理解:
    须知rbf实际是记忆了若干样例,在sv中各维权重重要性等同。线性核学出的权重是feature weighting作用或特征选择 。
    以上摘录了:http://blog.sina.com.cn/s/blog_6ae183910101cxbv.html


    Grid Search

    Grid Search是用在Libsvm中的参数搜索方法。很容易理解:就是在C,gamma组成的二维参数矩阵中,依次实验每一对参数的效果。

                                                        


    使用grid Search虽然比较简单,而且看起来很naïve。但是他确实有两个优点:

    1. 可以得到全局最优
    2. (C,gamma)相互独立,便于并行化进行
    [python]  view plain  copy
      在CODE上查看代码片 派生到我的代码片
    1. # SVM Classifier using cross validation    
    2. def svm_cross_validation(train_x, train_y):    
    3.     from sklearn.grid_search import GridSearchCV    
    4.     from sklearn.svm import SVC    
    5.     model = SVC(kernel='rbf', probability=True)    
    6.     param_grid = {'C': [1e-31e-21e-11101001000], 'gamma': [0.0010.0001]}    
    7.     grid_search = GridSearchCV(model, param_grid, n_jobs = 8, verbose=1)    
    8.     grid_search.fit(train_x, train_y)    
    9.     best_parameters = grid_search.best_estimator_.get_params()    
    10.     for para, val in list(best_parameters.items()):    
    11.         print(para, val)    
    12.     model = SVC(kernel='rbf', C=best_parameters['C'], gamma=best_parameters['gamma'], probability=True)    
    13.     model.fit(train_x, train_y)    
    14.     return model    


    SVM有如下主要几个特点:
    
    (1)非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射;
    (2)对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心;
    (3)支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量;
    (4)SVM 是一种有坚实理论基础的新颖的小样本学习方法。
    它基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。
    从本质上看,它避开了从归纳到演绎的传统过程,实现了高效的从训练样本到预报样本的“转导推理”,
    大大简化了通常的分类和回归等问题; (5)SVM 的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,
    而不是样本空间的维数,这在某种意义上避免了“维数灾难”。
    (6)少数支持向量决定了最终结果,这不但可以帮助我们抓住关键样本、“剔除”大量冗余样本,
    而且注定了该方法不但算法简单,而且具有较好的“鲁棒”性。
    这种“鲁棒”性主要体现在:
    ①增、删非支持向量样本对模型没有影响; ②支持向量样本集具有一定的鲁棒性;
    ③有些成功的应用中,SVM 方法对核的选取不敏感
    两个不足:
    (1) SVM算法对大规模训练样本难以实施 由于SVM是借助二次规划来求解支持向量,
    而求解二次规划将涉及m阶矩阵的计算(m为样本的个数),当m数目很大时该矩阵的存储和计算
    将耗费大量的机器内存和运算时间。
    针对以上问题的主要改进有
    J.Platt的SMO算法、
    T.Joachims的SVM、
    C.J.C.Burges等的PCGC、
    张学工的CSVM
    以及O.L.Mangasarian等的SOR算法
    (2) 用SVM解决多分类问题存在困难
    经典的支持向量机算法只给出了二类分类的算法,
    而在数据挖掘的实际应用中,一般要解决多类的分类问题。
    可以通过多个二类支持向量机的组合来解决。
    主要有
    一对多组合模式、一对一组合模式和SVM决策树;
    再就是通过构造多个分类器的组合来解决。
    主要原理是克服SVM固有的缺点,结合其他算法的优势,解决多类问题的分类精度。
    如:
    与粗集理论结合,形成一种优势互补的多类问题的组合分类器。

    展开全文
  • SVM参数说明

    2020-03-26 20:17:22
    Sklearn中SVMSVM主要有LinearSVC、NuSVC和SVC三种方法。 LinearSVC LinearSVC(penalty='l2', loss='squared_hinge', dual=True, tol=0.0001, C=1.0, multi_class='ovr', fit_intercept=True, intercept_...

    Sklearn中SVM,SVM主要有LinearSVC、NuSVC和SVC三种方法。

    LinearSVC

    LinearSVC(penalty='l2', loss='squared_hinge', dual=True, tol=0.0001, C=1.0, multi_class='ovr', fit_intercept=True, 
              intercept_scaling=1, class_weight=None, verbose=0, random_state=None, max_iter=1000)

    penalty:正则化参数,L1和L2两种参数可选,仅LinearSVC有。

    loss:损失函数,有‘hinge’和‘squared_hinge’两种可选,前者又称L1损失,后者称为L2损失,默认是是’squared_hinge’,其中hinge是SVM的标准损失,squared_hinge是hinge的平方。

    dual:是否转化为对偶问题求解,默认是True。

    tol:残差收敛条件,默认是0.0001,与LR中的一致。 C:惩罚系数,用来控制损失函数的惩罚系数,类似于LR中的正则化系数。

    multi_class:负责多分类问题中分类策略制定,有‘ovr’和‘crammer_singer’ 两种参数值可选,默认值是’ovr’,'ovr'的分类原则是将待分类中的某一类当作正类,其他全部归为负类,通过这样求取得到每个类别作为正类时的正确率,取正确率最高的那个类别为正类;‘crammer_singer’ 是直接针对目标函数设置多个参数值,最后进行优化,得到不同类别的参数值大小。

    fit_intercept:是否计算截距,与LR模型中的意思一致。

    class_weight:与其他模型中参数含义一样,也是用来处理不平衡样本数据的,可以直接以字典的形式指定不同类别的权重,也可以使用balanced参数值。

    verbose:是否冗余,默认是False。

    random_state:随机种子的大小。

    max_iter:最大迭代次数,默认是1000。

    对象

    coef_:各特征的系数(重要性)。

    intercept_:截距的大小(常数值)。

    NuSVC

    NuSVC(nu=0.5, kernel='rbf', degree=3, gamma='auto', coef0=0.0, shrinking=True, probability=False, 
          tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape='ovr', 
          random_state=None))

    nu:训练误差部分的上限和支持向量部分的下限,取值在(0,1)之间,默认是0.5

    kernel:核函数,核函数是用来将非线性问题转化为线性问题的一种方法,默认是“rbf”核函数

    degree:当核函数是多项式核函数的时候,用来控制函数的最高次数。(多项式核函数是将低维的输入空间映射到高维的特征空间)

    gamma:核函数系数,默认是“auto”,即特征维度的倒数。

    coef0:核函数常数值(y=kx+b中的b值),只有‘poly’和‘sigmoid’核函数有,默认值是0。

    max_iter:最大迭代次数,默认值是-1,即没有限制。

    probability:是否使用概率估计,默认是False。

    cache_size:缓冲大小,用来限制计算量大小,默认是200M。

    decision_function_shape:与'multi_class'参数含义类似。

     

    对象

    support_:以数组的形式返回支持向量的索引。

    support_vectors_:返回支持向量。 n_support_:每个类别支持向量的个数。

    dual_coef_:支持向量系数。

    coef_:每个特征系数(重要性),只有核函数是LinearSVC的时候可用。

    intercept_:截距值(常数值)。

     

    SVC

    SVC(C=1.0, kernel='rbf', degree=3, gamma='auto', coef0=0.0, shrinking=True, probability=False, tol=0.001, 
    cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape='ovr', random_state=None)

    C:惩罚系数。

    SVC和NuSVC方法基本一致,唯一区别就是损失函数的度量方式不同(NuSVC中的nu参数和SVC中的C参数)。

    方法

    三种分类方法的方法基本一致

    decision_function(X):获取数据集X到分离超平面的距离。

    fit(X, y):在数据集(X,y)上使用SVM模型。

    get_params([deep]):获取模型的参数。

    predict(X):预测数据值X的标签。

    score(X,y):返回给定测试集和对应标签的平均准确率。

     

                                                                                     常用的核函数有以下几种:

    表示

    解释

    linear

    线性核函数

    poly

    多项式核函数

    rbf

    高斯核函数

    sigmod

    sigmod核函数

    precomputed

    自定义核函数

     

    展开全文
  • SVM参数设置

    千次阅读 2021-02-03 00:43:09
    主要参考了一些博客以及自己使用经验。收集来觉得比较有用的。...数据格式转换----------------------当数据较少时,可以用formatdatalibsvm轻松地将文本数据转换成为svm工具使用的数据。使用方法为:1,打开Form...

    主要参考了一些博客以及自己使用经验。收集来觉得比较有用的。

    LIBSVM

    数据格式需要----------------------

    决策属性 条件属性a 条件属性b ...

    2 1:7 2:5 ...

    1 1:4 2:2 ...

    数据格式转换----------------------

    当数据较少时,可以用formatdatalibsvm轻松地将文本数据转换成为svm工具使用的数据。

    使用方法为:

    1,打开FormatDataLibsvm.xls然后将数据粘贴到sheet1的topleft单元。

    输入格式为:

    条件属性a 条件属性b ... 决策属性

    7 5 ... 2

    4 2 ... 1

    输出数据格式是

    决策属性 条件属性a 条件属性b ...

    2 1:7 2:5 ...

    1 1:4 2:2 ...

    2,再"工具"-->"宏"-->执行下面有一个选项(FormatDatatoLibsvm)-->执行,要选中这个然后运行就可以了,这时数据转换的问题就解决了(如果没有宏选项,点击“开始--excel选项---在功能区显示“开发工具”选项卡”)

    3,可以copy到一个记事本中即可。但是注意在用libsvm的时候要在命令行输入.txt后缀。

    svm参数说明----------------------

    如果你要输出类的概率,一定要有-b参数

    svm-train training_set_file model_file

    svm-predict test_file model_fileoutput_file

    自动脚本:python easy.py train_data

    test_data

    自动选择最优参数,自动进行归一化。

    对训练集合和测试结合,使用同一个归一化参数。

    -c:参数

    -g:参数

    -v:交叉验证数

    -s svm_type : set type of SVM (default 0)

    0

    -- C-SVC

    1

    -- nu-SVC

    2

    -- one-class SVM

    3

    -- epsilon-SVR

    4

    -- nu-SVR

    -t kernel_type : set type of kernelfunction (default 2)

    0

    -- linear: u'*v

    1

    -- polynomial: (gamma*u'*v + coef0)^degree

    2

    -- radial basis function: exp(-gamma*|u-v|^2)

    3

    -- sigmoid: tanh(gamma*u'*v + coef0)

    -d degree : set degree in kernel function(default 3)

    -g gamma : set gamma in kernel function(default 1/num_features)

    -r coef0 : set coef0 in kernel function(default 0)

    -c cost : set the parameter C of C-SVC,epsilon-SVR, and nu-SVR

    (default 1)

    -n nu : set the parameter nu of nu-SVC,one-class SVM, and nu-SVR

    (default 0.5)

    -p epsilon : set the epsilon in lossfunction of epsilon-SVR

    (default 0.1)

    -m cachesize : set cache memory size in MB(default 100)

    -e epsilon : set tolerance of terminationcriterion (default

    0.001)

    -h shrinking: whether to use the shrinkingheuristics, 0 or 1

    (default 1)

    -b probability_estimates: whether to traina SVC or SVR model for

    probability estimates, 0 or 1 (default 0)(如果需要估计分到每个类的概率,则需要设置这个)

    -wi weight: set the parameter C of class ito weight*C, for C-SVC

    (default 1)

    Thek in the -g option means the number of

    attributes in the input data.

    libsvm使用误区----------------------

    (1) 直接将训练集合和测试集合简单归一化到[0,1]区间,可能导致实验结果很差。

    (2) 如果样本的特征数非常多,那么就不必使用RBF核将样本映射到高维空间。

    a) 在特征数非常多的情况下,使用线性核,结果已经非常好,并且只需要选择参数C即可。

    b) 虽然说RBF核的结果至少比线性核好,前提下搜索整个的空间。

    (3) 样本数<

    a) 推荐使用线性核,可以达到与RBF同样的性能。

    (4) 样本数和特征数都非常多:推荐使用liblinear,更少的时间和内存,可比的准确率。

    (5) 样本数>>特征数:如果想使用线性模型,可以使用liblinear,并且使用-s

    2参数

    libsvm在训练model的时候,有如下参数要设置,当然有默认的参数,但是在具体应用方面效果会大大折扣。

    Options:可用的选项即表示的涵义如下

    -s svm类型:SVM设置类型(默认0)

    0 -- C-SVC

    1 --v-SVC

    2–一类SVM

    3 -- e -SVR

    4 -- v-SVR

    -t核函数类型:核函数设置类型(默认2)

    0–线性:u'v

    1–多项式:(r*u'v + coef0)^degree

    2–RBF函数:exp(-gamma|u-v|^2)

    3–sigmoid:tanh(r*u'v + coef0)

    -d degree:核函数中的degree设置(针对多项式核函数)(默认3)

    -g r(gama):核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)(默认1/ k)

    -r coef0:核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)

    -c cost:设置C-SVC,e -SVR和v-SVR的参数(损失函数)(默认1)

    -n nu:设置v-SVC,一类SVM和v- SVR的参数(默认0.5)

    -p p:设置e -SVR中损失函数p的值(默认0.1)

    -m cachesize:设置cache内存大小,以MB为单位(默认40)

    -e eps:设置允许的终止判据(默认0.001)

    -h shrinking:是否使用启发式,0或1(默认1)

    -wi weight:设置第几类的参数C为weight*C(C-SVC中的C)(默认1)

    -v n: n-fold交互检验模式,n为fold的个数,必须大于等于2

    其中-g选项中的k是指输入数据中的属性数。option -v随机地将数据剖分为n部

    当构建完成model后,还要为上述参数选择合适的值,方法主要有Gridsearch,其他的感觉不常用,Gridsearch说白了就是穷举。

    网格参数寻优函数(分类问题):SVMcgForClass

    [bestCVaccuracy,bestc,bestg]=

    SVMcgForClass(train_label,train,

    cmin,cmax,gmin,gmax,v,cstep,gstep,accstep)

    输入:

    train_label:训练集的标签,格式要求与svmtrain相同。

    train:训练集,格式要求与svmtrain相同。

    cmin,cmax:惩罚参数c的变化范围,即在[2^cmin,2^cmax]范围内寻找最佳的参数c,默认值为cmin=-8,cmax=8,即默认惩罚参数c的范围是[2^(-8),2^8]。

    gmin,gmax:RBF核参数g的变化范围,即在[2^gmin,2^gmax]范围内寻找最佳的RBF核参数g,默认值为gmin=-8,gmax=8,即默认RBF核参数g的范围是[2^(-8),2^8]。

    v:进行Cross

    Validation过程中的参数,即对训练集进行v-fold

    Cross Validation,默认为3,即默认进行3折CV过程。

    cstep,gstep:进行参数寻优是c和g的步进大小,即c的取值为2^cmin,2^(cmin+cstep),…,2^cmax,,g的取值为2^gmin,2^(gmin+gstep),…,2^gmax,默认取值为cstep=1,gstep=1。

    accstep:最后参数选择结果图中准确率离散化显示的步进间隔大小([0,100]之间的一个数),默认为4.5。

    输出:

    bestCVaccuracy:最终CV意义下的最佳分类准确率。

    bestc:最佳的参数c。

    bestg:最佳的参数g。

    网格参数寻优函数(回归问题):SVMcgForRegress

    [bestCVmse,bestc,bestg]=

    SVMcgForRegress(train_label,train,

    cmin,cmax,gmin,gmax,v,cstep,gstep,msestep)

    其输入输出与SVMcgForClass类似,这里不再赘述。

    而当你训练完了model,在用它做classification或regression之前,应该知道model中的内容,以及其含义。

    用来训练的是libsvm自带的heart数据

    model =

    Parameters:

    [5x1 double]

    nr_class:

    2

    totalSV:

    259 %支持向量的数目

    rho:

    0.0514 % b

    Label:

    [2x1

    double] % classification中标签的个数

    ProbA:

    []

    ProbB:

    []

    nSV:

    [2x1

    double] % 每类支持向量的个数

    sv_coef:

    [259x1 double] % 支持向量对应的Wi

    SVs:

    [259x13 double] % 装的是259个支持向量

    model.Parameters参数意义从上到下依次为:

    -s svm类型:SVM设置类型(默认0)

    -t核函数类型:核函数设置类型(默认2)

    -d degree:核函数中的degree设置(针对多项式核函数)(默认3)

    -g r(gama):核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数) (默认类别数目的倒数)

    -r coef0:核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)

    SVM怎样能得到好的结果

    1. 对数据做归一化(simple

    scaling)

    2. 应用RBF

    kernel

    3. 用cross-validation和grid-search得到最优的c和g

    4. 用得到的最优c和g训练训练数据

    5. 测试

    关于svm的C以及核函数参数设置----------------------

    参考自:对支持向量机几种常用核函数和参数选择的比较研究

    C一般可以选择为:10^t , t=-

    4..4就是0.0001到10000

    选择的越大,表示对错误例惩罚程度越大,可能会导致模型过拟合

    在LIBSVM中-t用来指定核函数类型(默认值是2)。

    0)线性核函数

    (无其他参数)

    1)多项式核函数

    (重点是阶数的选择,即d,一般选择1-11:1 3 5 7 9 11,也可以选择2,4,6…)

    2)RBF核函数

    (径向基RBF内核,exp{-|xi-xj|^2/均方差},其中均方差反映了数据波动的大小。

    参数通常可选择下面几个数的倒数:0.1 0.2 0.4

    0.6 0.8 1.6 3.2 6.4 12.8,默认的是类别数的倒数,即1/k,2分类的话就是0.5)

    3)sigmoid核函数又叫做S形内核

    两个参数g以及r:g一般可选1 2

    3 4,r选0.2 0.4 0.60.8 1

    4)自定义核函数

    常用的四种核函数对应的公式如下:

    与核函数相对应的libsvm参数:

    1)对于线性核函数,没有专门需要设置的参数

    2)对于多项式核函数,有三个参数。-d用来设置多项式核函数的最高此项次数,也就是公式中的d,默认值是3。-g用来设置核函数中的gamma参数设置,也就是公式中的第一个r(gamma),默认值是1/k(k是类别数)。-r用来设置核函数中的coef0,也就是公式中的第二个r,默认值是0。

    3)对于RBF核函数,有一个参数。-g用来设置核函数中的gamma参数设置,也就是公式中的第一个r(gamma),默认值是1/k(k是类别数)。

    4)对于sigmoid核函数,有两个参数。-g用来设置核函数中的gamma参数设置,也就是公式中的第一个r(gamma),默认值是1/k(k是类别数)。-r用来设置核函数中的coef0,也就是公式中的第二个r,默认值是0。

    展开全文
  • 本资源包含Matlab的libsvm工具包,两个支持向量机实例(含数据),最优C-G参数的选取函数及图像绘制
  • 资源名:PSO优化SVM参数_MATLAB_SVM工具箱 资源类型:matlab项目全套源码 源码说明: 全部项目源码都是经过测试校正后百分百成功运行的,如果您下载后不能运行可联系我进行指导或者更换。 适合人群:新手及有一定...
  • sklearn.svm.SVC 参数说明经常用到sklearn中的SVC函数,这里把文档中的参数翻译了一些,以备不时之需。本身这个函数也是基于libsvm实现的,所以在参数设置上有很多相似的地方。(PS: libsvm中的二次规划问题的解决...
  • SVM参数详解

    千次阅读 2018-10-23 09:46:31
    svm参数说明---------------------- 如果你要输出类的概率,一定要有-b参数 svm-train training_set_file model_file svm-predict test_file model_fileoutput_file 自动脚本:python easy.py train_data test_...
  • Python实现GA(遗传算法)对SVM分类模型参数的优化资料说明:包括数据集+源代码+Word文档说明。 资料内容包括: 1)需求分析; 2)数据采集; 3)数据预处理; 4)探索性数据分析; 5)特征工程; 6)机器建模; 7)模型评估...
  • 基于PSO算法的 -SVM算法参数优化,王洁,白静,在v-SVM算法参数选择中,现多采用反复试验的方法,局限性较大且操作复杂。因此,本文采用了粒子群算法来优化v-SVM中的参数,并将之��
  • SVM 参数解释

    2019-09-28 14:10:57
    SVM(支持向量机)是机器学习算法里用得最多的一种算法。SVM最常用的是用于分类,不过SVM也可以用于回归,我的实验中就是用SVM来实现SVR(支持向量回归)。 对于功能这么强的算法,opencv中自然也是有集成好了,...
  • SVM参数

    千次阅读 2018-05-11 13:08:17
    SVM在sklearn库中主要三个参数- kernel(核函数linear、RBF)- C( C是惩罚系数,即对误差的宽容度。c越高,说明越不能容忍出现误差,容易过拟合。C越小,容易欠拟合。C过大或过小,泛化能力变差)- gamma( gamma是...
  • SVM参数及方法

    2020-03-01 15:05:13
    SVM的基本概念 一些简单的基本概念: 分隔超平面:将数据集分割开来的直线叫做分隔超平面。 超平面:如果数据集是N维的,那么就需要N-1维的某对象来对数据进行分割。该对象叫做超平面,也就是分类的决策边界。 间隔...
  • 资源名:SVM参数优化_提升分类器的性能_GA_PSO_matlab 资源类型:matlab项目全套源码 源码说明: 全部项目源码都是经过测试校正后百分百成功运行的,如果您下载后不能运行可联系我进行指导或者更换。 适合人群:新手...
  • MATLAB中使用LIBSVM进行SVM参数寻优

    千次阅读 2019-07-08 15:43:01
    MATLAB中使用LIBSVM进行SVM参数寻优一些资源网站配置svmtrainsvmParams-t:表示选择的核函数类型-g为核函数的参数系数-c为惩罚因子系数-v为交叉验证的数,默认为5具体介绍c,g选择 一些资源网站 1、libSVM 3.23 这套...
  • SVM 官方说明文档

    2017-12-04 15:00:57
    SVM官方说明文档,包含所有的实现细节以及参数说明函数
  • sklearn中SVM调参说明

    2021-01-12 05:18:15
    于是这篇来总结一下sklearn中svm参数说明以及调参经验。方便以后查询和回忆。常用核函数1.linear核函数:K(xi,xj)=xTixjK(xi,xj)=xiTxj2.polynomial核函数:K(xi,xj)=(γxTixj+r)d,d>1K(xi,xj)=(γxiTxj+r)d,d&g....
  • 在调用sklearn的SVM时,如果设置verbose=True,模型训练结束后会显示一些训练过程的说明信息,如下(以下是OCSVM的返回结果): * optimization finished, # iter = 32 obj = 192.154077, rho = 19.244379 nSV = 26, ...
  • opencv——SVM参数详解

    千次阅读 2018-10-24 09:50:22
    SVM是一种训练机器学习的算法,可以用于解决分类和回归问题,同时还使用了一种称之为kernel trick(支持向量机的核函数)的技术进行数据的转换,然后再根据这些转换信息,在可能的输出之中找到一个最优的边界(超平面...
  • opencv SVM参数优化

    千次阅读 2018-01-09 17:45:29
    SVM(支持向量机)是机器学习算法里用得最多的一种算法。SVM最常用的是用于分类,不过SVM也可以用于回归,我的实验中就是用SVM来实现SVR(支持向量回归)。  对于功能这么强的算法,opencv中自然也是有集成好了...
  • SVM基本概要与sklearn.svm.svc 参数说明

    万次阅读 多人点赞 2017-07-12 13:28:53
    SVM的基本概念先介绍一些简单的基本概念:分隔超平面:将数据集分割开来的直线叫做分隔超平面。超平面:如果数据集是N维的,那么就需要N-1维的某对象来对数据进行分割。该对象叫做超平面,也就是分类的决策边界。...
  • 支持向量机SVM--sklearn 参数说明

    千次阅读 2021-01-29 06:12:05
    SVM(Support Vector Machine)支持向量机1、SVM线性分类器sklearn. svm. LinearsvC(penalty=12, loss=squared_hinge, dual=True, tol=0 0001, C=1.0,multi_class=ovr, fit_intercept=True, intercept_ scaling=1, ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 24,794
精华内容 9,917
关键字:

svm参数说明

友情链接: kdump.txt.gz