目录

一、LIBSVM

二、LIBSVM的下载及安装

 三、基于LIBSVM处理手工生成数据集

1. 启动LIBSVM

2. 手工绘制数据集

 3. 利用LIBSVM训练模型并求出决策函数

 四、总结

五 参考链接

一、LIBSVM

 这是一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数可以解决很多问题；并提供了交互检验(Cross Validation)的功能。该软件可以解决C-SVM、ν-SVM、ε-SVR和ν-SVR等问题，包括基于一对一算法的多类模式识别问题。

二、LIBSVM的下载及安装

下载地址：

LIBSVM -- A Library for Support Vector Machines

将下载的压缩文件解压即可：

 三、基于LIBSVM处理手工生成数据集

1. 启动LIBSVM

点击解压文件夹下的windows文件夹，在文件夹中找到名为svm-toy.exe的运行程序并运行

2. 手工绘制数据集

点击鼠标左键可进行描点

 点击Change切换颜色，再描一组点

 点击Save将数据保存为test作为训练集

 再设置一组数据作为测试集

 3. 利用LIBSVM训练模型并求出决策函数

导入库：
 

from libsvm.svmutil import *
from libsvm.svm import *
import scipy.spatial

数据导入：

label,data= svm_read_problem('test.txt')#训练数据
p_label,p_data=svm_read_problem('test1.txt')#测试数据

使用线性核训练模型

para ='-t 0 -c 4 -b 1' #训练参数
model=svm_train(label,data,para)
svm_save_model('model1.txt',model)
acc=svm_predict(p_label,p_data,model)

运行结果：

 模型参数及结果：

 使用多项式核训练模型

para ='-t 1 -c 4 -b 1' #训练参数
#多项式核
model=svm_train(label,data,para)
svm_save_model('model2.txt',model)
acc=svm_predict(p_label,p_data,model)

运行结果：

 模型参数及结果：

 使用高斯核训练模型

para ='-t 2 -c 4 -b 1'#训练参数
model=svm_train(label,data,para)
svm_save_model('model3.txt',model)
acc=svm_predict(p_label,p_data,model)

运行结果：

 模型参数及结果

 四、总结

SVM用于模式识别或回归时，SVM方法及其参数、核函数及其参数的选择，也就是说最优SVM算法参数选择还只能是凭借经验、实验对比、大范围的搜寻或者利用软件包提供的交互检验功能进行寻优。

五 参考链接

https://blog.csdn.net/YangMax1/article/details/121374574

参考：带有权重的libsvm的安装及使用参考LibSVM 安装使用 - ranjiewen - 博客园

MATLAB libsvm 安装和使用_qq：843375677的博客-CSDN博客_libsvm安装

libsvm下载网址：LIBSVM -- A Library for Support Vector Machines 

需要的windows版本svm工具包位置如下

 如果需要其他扩展版本，比如带有权重的svm，可以到LIBSVM_tools下查找。

注意：

建议直接去官网找发布的libsvm工具包，最开始直接用了自己以前编译好的，matlab报出了各种错误，从选择编译器开始，到无法导出mex文件……等一系列问题。后来去官网直接找最新版本，mex -setup; make两步一次性就成功了！就很离谱，白费半天时间

安装完成后的测试：

将Libsvm文件下的测试数据集heart_scale复制到Libsvm\matlab下，后续的操作将在该文件夹下进行，同时将MATLAB工作路径转至该文件下（在MATLAB中也可完成文件的复制粘贴工作）。

在命令行窗口输入

[heart_scale_label,heart_scale_inst]=libsvmread('heart_scale');
model = svmtrain(heart_scale_label,heart_scale_inst) ;
[predict_label,accuracy,dec_values] = svmpredict(heart_scale_label,heart_scale_inst,model);

 结果为

 或者带权重的测试

% 1、测试带权重的svm
[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale'); %读取数据
heart_scale_weight = load('heart_scale.wgt');
model = libsvmtrain(heart_scale_weight, heart_scale_label, heart_scale_inst, '-c 1'); %改名字了  +lib  ；将编译完的svmtrain改为libsvmtrain，不然svmtrain会与早期matlab自带的svm重名
% model = libsvmtrain([], heart_scale_label, heart_scale_inst, '-c
% 1');%不带权重的
[predict_label, accuracy, dec_values] = libpredict(heart_scale_label, heart_scale_inst, model);   %svmpredict改为libpredict

结果

#!/usr/bin/python
# -*- coding:utf-8 -*-
#author: by Tong
import sys
import csv
reload(sys)
sys.setdefaultencoding("utf-8")

def setlibsvm():
    readin  = open('data.txt','r')
    output = open("lib_to_svm.txt",'wb')
    try:
        col = 0
        the_line = readin.readline()
        while the_line:
            if col == 0:
                output.write(the_line)
                col = col +1
                the_line = readin.readline()
                continue
            the_line = the_line.strip('\n')
            output_line = ''
            index = 0
            # print the_line.split('\t')
            for sub_line in the_line.split(' '):
                if index == 0 :
                    output_line = sub_line
                if index > 0 and sub_line != '0':
                    output_line += ' '+str(index)+':'+str(sub_line)
                index = index + 1
            output.write(output_line)
            output.write('\n')
            the_line = readin.readline()
    finally:
        readin.close()

if __name__ == "__main__":
    setlibsvm()

数据的格式为：

label feature1 feature2 feature3

其中以空格作为分隔符，其中的代码可以改变

label feature1 feature2 feature3 feature4
1 1:434 2:32 3:2
0 1:323 3:3 4:3
0 2:3 4:3
0 1:23 2:3 3:2 4:1
这是最终的数据格式。好处是对于稀疏的数据能够节省空间。
原数据格式为：
label feature1 feature2 feature3 feature4
1 434 32 2 0
0 323 0 3 3
0 0 3 0 3
0 23 3 2 1
1 3 12 0 55