一、安装libsvm
1、官网下载libsvm: https://www.csie.ntu.edu.tw/~cjlin/libsvm/ ,下载完成后解压至本地
2、打开终端，cd进入libsvm目录下，执行以下操作：
> make clean > make > cd python > make
这样就安装好了libsvm。
二、使用libsvm进行分类
1、 准备数据集
为了演示方便，我们使用libsvm自带的Iris数据集。下载链接：https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/multiclass/iris.scale
2、 分割数据集
> ./svm-scale -l 0 -u 1 iris.scale > iris.scale.scale > ./svm-train -s 0 iris.scale.scale iris.model > ./svm-predict iris.scale.scale iris.model iris.out
第一行中，我们进行了数据标准化。-l和-u表示最小值和最大值，这里分别设置为0和1。第二行中，我们训练了一个模型iris.model。svm-train的-s参数表示要使用的分类器类型，0表示使用C-SVC分类器。第三行中，我们在训练好的模型上进行了验证，结果保存在iris.out中。
三、使用libsvm进行回归
1、 准备数据集
为了演示方便，我们使用libsvm自带的sinusoidal数据集。下载链接：https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/regression/sinusoidal-1000.scale
2、 分割数据集
> ./svm-scale -l -1 -u 1 sinusoidal-1000.scale > sinusoidal-1000.scale.scale > ./svm-train -s 3 -t 2 -g 0.5 -c 1000 sinusoidal-1000.scale.scale sinusoidal.model > ./svm-predict sinusoidal-1000.scale.scale sinusoidal.model sinusoidal.out
第一行中，我们进行了数据标准化。这次的-l和-u参数分别设置为-1和1。第二行中，我们训练了一个模型sinusoidal.model。svm-train的-s参数表示要使用的回归类型，3表示使用epsilon-SVR回归器。用-t控制核函数的类型，这里使用的是径向基核函数。-g控制径向基核函数的带宽，-c表示惩罚系数。第三行中，我们在训练好的模型上进行了验证，结果保存在sinusoidal.out中。
四、使用libsvm进行特征选择
特征选择是指从原始特征集中选出一些最具预测能力的特征子集。使用libsvm提供的工具svm-feature选择进行特征选择。
1、 准备数据集
为了演示方便，我们使用libsvm自带的breast-cancer数据集。下载链接：https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/binary/breast-cancer
2、 进行特征选择
> ./svm-scale -l 0 -u 1 breast-cancer > breast-cancer.scale > ./svm-feature-select -c 10 -t 0 -w -1 -r -v 0 breast-cancer.scale
在svm-feature-select中，-c表示使用分类器C-SVC，-t表示核函数类型，这里使用的是线性核函数。-w表示是否使用权重，我们这里选择使用。-r表示是否随机选择特征，我们选择不随机选择。最后的-v 0表示在特征选择中不需要进行十折交叉验证。
五、使用libsvm调优
libsvm提供了一个工具svm-train，可以用来训练模型。我们可以通过调整其参数来优化模型的性能。
1、 准备数据集
为了演示方便，我们使用libsvm自带的heart_scale数据集。下载链接：https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/binary/heart_scale
2、 调优参数
> ./svm-scale -l -1 -u 1 heart_scale > heart_scale.scale > ./svm-train -s 0 -t 0 -v 5 -c 1 -g 0.1 heart_scale.scale
在svm-train中，-v参数表示进行n折交叉验证。我们这里使用5折交叉验证。-s参数表示使用分类器类型C-SVC，-t参数表示核函数类型，这里我们使用的是线性核函数。-c参数表示惩罚因子，-g参数表示径向基核函数的波长。
六、总结
本文介绍了libsvm的基本用法，包括安装、分类、回归、特征选择和调优。希望对读者有所帮助。
原创文章，作者：OZMX，如若转载，请注明出处：https://www.506064.com/n/149986.html
微信扫一扫 
支付宝扫一扫 