LibSVM学习笔记一：体验libsvm

1.  Svm-train使用

a. cd到libsvm/windows盘符下；

b. 进行libsvm训练，输入命令svm-train heart_scale train.model，回车；

    heart_scale ——是目录下的已经存在的样本文件，要换成自己的文件，只需改成自己的文件名就可以了

    train.model ——是创建的结果文件，保存了训练后的结果

可以看到结果，其中，

#iter为迭代次数，

nu 是你选择的核函数类型的参数，

obj为SVM文件转换为的二次规划求解得到的最小值，

rho为判决函数的偏置项b，

nSV 为标准支持向量个数(0<a[i]<c)，

nBSV为边界上的支持向量个数(a[i]=c)，

Total nSV为支持向量总个数（对于两类来说，因为只有一个分类模型Total nSV = nSV，但是对于多类，这个是各个分类模型的nSV之和）。

 

在目录下，还可以看到产生了一个train.model文件，可以用记事本打开，记录了训练后的结果。

  svm_type c_svc                     //所选择的svm类型，默认为c_svc

  kernel_type rbf                       //训练采用的核函数类型，此处为RBF核

gamma 0.0769231                   //RBF核的参数γ

  nr_class 2                               //类别数，此处为两分类问题

  total_sv 132                           //支持向量总个数

  rho 0.424462                          //判决函数的偏置项b

  label 1 -1                                 //原始文件中的类别标识

  nr_sv 64 68                           //每个类的支持向量机的个数

  SV                                          //以下为各个类的权系数及相应的支持向量

 

2.  Svm-predict应用

用法：svmpredict [options] test_file model_file output_file

其中，

options为操作参数，可用的选项即表示的涵义如下所示:

-b probability_estimates——是否需要进行概率估计预测，可选值为0 或者1，默认值为0。

model_file ——是由svmtrain 产生的模型文件；

test_file—— 是要进行预测的数据文件，格式也要符合libsvm格式，即使不知道label的值，也要任意填一个，svmpredict会在output_file中给出正确的label结果，如果知道label的值，就会输出正确率；

output_file ——是svmpredict 的输出文件，表示预测的结果值。

 

实际操作：

总共22个数据，全部成了支持向量，说明分类出现问题。可能原因：数据问题。

分类结果：

分类结果可见，所有案例全被分类为0.

分类错误原因：数据不对。