关于svm_train的参数问题

最新推荐文章于 2021-12-15 16:46:22 发布
原创 最新推荐文章于 2021-12-15 16:46:22 发布 · 7.1k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

这篇博客讲述了作者在初次使用svm_train时遇到的参数配置困惑。通过对svm_train源码的研读，作者理解了各种参数的作用，如svm类型、内核类型、度、gamma、coef0等，并最终成功解决了报错问题。尽管花费了一整天时间，但作者通过自己的探索得到了满意的结果。

    初次使用svm，不知道svm_train的参数该怎么设置，svm_train源码的注释里虽然有相关解释，但是看得云里雾里，如下：

Train an SVM model from data (y, x) or an svm_problem prob using
'options' or an svm_parameter param.
If '-v' is specified in 'options' (i.e., cross validation)
either accuracy (ACC) or mean-squared error (MSE) is returned.
options:
   -s svm_type : set type of SVM (default 0)
       0 -- C-SVC(multi-class classification)
       1 -- nu-SVC(multi-class classification

最低0.47元/天 解锁文章
**matlab 中svmtrain函数参数的意义 及设定
weixin_43617472的博客
10-05 2659
matlab 中svmtrain函数参数的意义 及设定 model = svmtrain(training_label_vector, training_instance_matrix, ‘libsvm_options’) libsvm_options: -s svm_type : set type of SVM (default 0)  0 – C-SVC  (mu...
libsvm源代码注释+算法描述:svm_train
dzhou的博客
02-19 1万+
(I will try my best to make this note clearer.)We mainly focus on solve_c_svc in this note.Our goal: mindB\displaystyle \min_{\mathbf{d}_B} 12dTB∇2f(αk)dB+∇f(αk)TBdB\frac{1}{2}\mathbf{d}_{B}^{T}\nabla
SVM_Train_Predict_HOG
09-29
SVM_Train_Predict_HOG，predict，bow，hog训练图片分类，供参考，源码
MATLAB中libsvm的svmtrain和svmpredict函数的使用方法与参数设置
weixin_44248258的博客
12-15 2万+
MATLAB中libsvm的svmtrain和svmpredict函数的使用方法与参数设置
svmtrain和svmclassify参数细说_核函数选择
热门推荐
沈春旭的博客
01-07 3万+
1. >>help svmtrain SVMSTRUCT = svmtrain(TRAINING, Y)  trains a support vector machine (SVM) classifier on data taken from two groups. TRAINING is a numeric matrix of predictor data(TRAINING是预测数据
svmtrain参数设置参考
Cheese_pop的博客
03-22 1万+
English Version: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
hog_svm_train_python
04-17
标题中的“hog_svm_train_python”表明我们正在讨论一个使用Python编程语言实现的支持向量机（SVM）训练过程，其中结合了Histogram of Oriented Gradients（HOG）特征。HOG是一种计算机视觉中的特征提取方法，常用于...
精选资源
SVM_SVM支持向量机_SVM分类_train_SVM_
10-04
本资料包" SVM_SVM支持向量机_SVM分类_train_SVM_"提供了一个SVM的训练模型，包括了训练和测试过程，以及内核函数的实现，便于直接运行。 SVM的核心思想是找到一个超平面（线性决策边界），使得不同类别的样本点被...
LBP_train_main.rar_LBP训练_LBP，svm_SVM LBP_lbp特征提取_train
09-24
标题中的"LBP_train_main.rar"是一个压缩包文件，主要涉及的是LBP（Local Binary Patterns，局部二值模式）特征的提取以及支持向量机（SVM，Support Vector Machine）的训练过程。LBP是一种用于图像处理和计算机视觉...
SVM_Train.rar
07-10
训练过程中，会调整SVM的参数，如C值（惩罚参数）和γ值（核函数参数），以优化模型的性能。 训练完成后，SVM模型可以用于实时的行人检测。在测试阶段，新的图像会被提取HOG特征，然后通过训练好的SVM模型进行分类...
svmtrain输入参数介绍【转】
weixin_30460489的博客
10-26 474
-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...
svmtrain返回参数说明
qq_22625309的博客
07-28 5570
libsvm中svmtrain函数参数返回说明
MATLAB2020a报错：函数或变量 ‘svmtrain‘ 无法识别。
dugushangliang的博客
09-15 3万+
版权声明：转载请注明作者（独孤尚良dugushangliang）出处： 遇到问题，上网搜索，折腾许久，悬而未决。 遇到这个错误的原因是，拿到代码想学习了解下SVM，但是在MATLAB执行代码的时候发现有错误。 报错如下： >> SVM_L 函数或变量 'svmtrain' 无法识别。 出错 SVM_L (line 10) svmModel = svmtrain(train,group,'kernel_function','linear','showplot',true); ..
使用svm 对参数寻优的时候出现错误
keyanxiaocaicai的专栏
12-18 2170
错误使用 svmtrain (line 233) Y must be a vector or a character array. 出错 SVMngForClass (line 38)         cg(i,j) = svmtrain(train_label, train, cmd); 出错 Untitled3 (line 26) [bestCVaccuracy,bestc,best
matlab中libsvm的svmtrain函数用法
风来了
09-04 2万+
这里的LIBSVM是一个由台湾大学林智仁(Lin Chih-Jen)教授等开发的SVM模式识别与回归的软件包，使用简单，功能强大，本文主要介绍其在Matlab中的使用。 注意不是matlab自带的svm实现函数，自带的svm实现函数仅支持分类问题，不支持回归问题；而libsvm不仅支持分类问题，亦支持回归问题，参数可调节，功能更强大。 libsvm的配置很简单，只需要下载高级版本的matlab和l...
libsvm代码阅读：关于svm_train函数分析（转）
banhut807208的博客
04-05 423
在svm中，训练是一个十分重要的步骤，下面我们来看看svm的train部分。 在libsvm中的svm_train中分别有回归和分类两部分，我只对其中分类做介绍。 分类的步骤如下： 统计类别总数，同时记录类别的标号，统计每个类的样本数目 将属于相同类的样本分组，连续存放 计算权重C 训练n(n-1)/2 个模型 初始化nozero数组，便于统计SV //初始...
libsvm中svmtrain的参数和返回值
Cheese_pop的博客
03-10 2万+
对svmtrain函数的输入参数和返回值进行说明1. 训练libsvm函数用于对训练集的数据进行训练，得到训练好的模型。model = libsvmtrain(training_label_vector, training_instance_matrix [, ‘libsvm_options’]);这个函数有三个参数，其中-training_label_vector:训练样本的类标，如果有m个样本，
matlab svmtrain 参数,使用matlab的svm(支持向量机)参数介绍
weixin_32183107的博客
03-16 1375
svmtrain(1,2,3,4,5,6)可见该训练模型函数有6个参数的得到训练model。1.第一个是需要训练的数据(a1,a2,a3...) ai=(x1,x2,x3...)(xi代表不同的属性值)2.第二个参数是训练数据的标记lambel，一般是-1和+1。注意的是第一第二参数一般都要进行导致(数据标准化)，且统一行或列(如lambel是以列表示，那么a向量也要是(a1,a2,a3...)...
import numpy as np import pandas as pd from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA from sklearn.model_selection import train_test_split, StratifiedKFold, GridSearchCV from imblearn.over_sampling import SMOTE from sklearn.svm import SVC from sklearn.metrics import accuracy_score # 读取特征文件，仅使用 T2_1_GH.xlsx t1_path = r'C:\Users\b\T2_1_GH.xlsx' t1_features = pd.read_excel(t1_path) # 假设最后一列是标签 X = t1_features.iloc[:, :-1].values y = t1_features.iloc[:, -1].values # 分出单独测试集 X_train_val, X_test, y_train_val, y_test = train_test_split(X, y, test_size=0.2, stratify=y, random_state=42) # 数据标准化 scaler = StandardScaler() X_train_val_scaled = scaler.fit_transform(X_train_val) # SMOTE 平衡样本 smote = SMOTE() X_resampled, y_resampled = smote.fit_resample(X_train_val_scaled, y_train_val) # 特征降维，使用 PCA pca = PCA(n_components=0.95) # 保留 95% 的方差 X_reduced = pca.fit_transform(X_resampled) # 十折交叉验证 skf = StratifiedKFold(n_splits=10, shuffle=True, random_state=42) # 定义模型及超参数空间 svm_model = SVC() # 新的 SVM 超参数网格，减小 C 值和 gamma 值范围以避免过拟合 svm_param_grid = { 'C': [0.1], 'kernel': ['linear', 'rbf'], 'degree': [2], # 多项式核的度数 'gamma': [ 0.01, 0.1] } # 存储各折验证准确率 svm_fold_accuracies = [] svm_fold_train_accuracies = [] # 存储最佳超参数 best_svm_params = [] for train_index, val_index in skf.split(X_reduced, y_resampled): X_train, X_val = X_reduced[train_index], X_reduced[val_index] y_train, y_val = y_resampled[train_index], y_resampled[val_index] # 超参数优化 SVM grid_search_svm = GridSearchCV(svm_model, svm_param_grid, cv=5) grid_search_svm.fit(X_train, y_train) best_svm = grid_search_svm.best_estimator_ best_svm_params.append(grid_search_svm.best_params_) svm_pred = best_svm.predict(X_val) svm_accuracy = accuracy_score(y_val, svm_pred) svm_fold_accuracies.append(svm_accuracy) # 计算 SVM 训练集准确率 svm_train_pred = best_svm.predict(X_train) svm_train_accuracy = accuracy_score(y_train, svm_train_pred) svm_fold_train_accuracies.append(svm_train_accuracy) # 输出各折验证准确率 print("SVM各折验证准确率:", svm_fold_accuracies) # 输出各折训练准确率 print("SVM各折训练准确率:", svm_fold_train_accuracies) # 输出平均准确率 print(f"SVM 平均交叉验证准确率: {np.mean(svm_fold_accuracies)}") # 输出平均训练准确率 print(f"SVM 平均训练准确率: {np.mean(svm_fold_train_accuracies)}") # 判断是否过拟合 print("SVM 是否过拟合:", np.mean(svm_fold_train_accuracies) - np.mean(svm_fold_accuracies) > 0.1) # 输出最佳超参数 print("SVM 最佳超参数:", best_svm_params) # 在测试集上评估最终模型 X_test_scaled = scaler.transform(X_test) X_test_reduced = pca.transform(X_test_scaled) # 用最佳参数的 SVM 模型在测试集评估 best_svm.fit(X_reduced, y_resampled) svm_test_pred = best_svm.predict(X_test_reduced) svm_test_accuracy = accuracy_score(y_test, svm_test_pred) print(f"SVM 测试集准确率: {svm_test_accuracy}") 保持原有结构不变，加入其他指标的计算 recall_score, f1_score, roc_auc_score，且加入异常值的检索和处理的代码
最新发布
12-10
以下是在原代码基础上加入 `recall_score`、`f1_score`、`roc_auc_score` 指标计算及异常值检索和处理代码的版本： ```python import numpy as np import pandas as pd from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA from sklearn.model_selection import train_test_split, StratifiedKFold, GridSearchCV from imblearn.over_sampling import SMOTE from sklearn.svm import SVC from sklearn.metrics import accuracy_score, recall_score, f1_score, roc_auc_score # 读取特征文件，仅使用 T2_1_GH.xlsx t1_path = r'C:\Users\b\T2_1_GH.xlsx' t1_features = pd.read_excel(t1_path) # 异常值检索和处理：使用 IQR 方法 Q1 = t1_features.quantile(0.25) Q3 = t1_features.quantile(0.75) IQR = Q3 - Q1 t1_features = t1_features[~((t1_features < (Q1 - 1.5 * IQR)) | (t1_features > (Q3 + 1.5 * IQR))).any(axis=1)] t1_features = t1_features.dropna() # 假设最后一列是标签 X = t1_features.iloc[:, :-1].values y = t1_features.iloc[:, -1].values # 分出单独测试集 X_train_val, X_test, y_train_val, y_test = train_test_split(X, y, test_size=0.2, stratify=y, random_state=42) # 数据标准化 scaler = StandardScaler() X_train_val_scaled = scaler.fit_transform(X_train_val) # SMOTE 平衡样本 smote = SMOTE() X_resampled, y_resampled = smote.fit_resample(X_train_val_scaled, y_train_val) # 特征降维，使用 PCA pca = PCA(n_components=0.95) # 保留 95% 的方差 X_reduced = pca.fit_transform(X_resampled) # 十折交叉验证 skf = StratifiedKFold(n_splits=10, shuffle=True, random_state=42) # 定义模型及超参数空间 svm_model = SVC(probability=True) # 新的 SVM 超参数网格，减小 C 值和 gamma 值范围以避免过拟合 svm_param_grid = { 'C': [0.1], 'kernel': ['linear', 'rbf'], 'degree': [2], # 多项式核的度数 'gamma': [0.01, 0.1] } # 存储各折验证准确率 svm_fold_accuracies = [] svm_fold_train_accuracies = [] # 存储各折验证的召回率、F1 分数、AUC svm_fold_recalls = [] svm_fold_f1s = [] svm_fold_aucs = [] # 存储最佳超参数 best_svm_params = [] for train_index, val_index in skf.split(X_reduced, y_resampled): X_train, X_val = X_reduced[train_index], X_reduced[val_index] y_train, y_val = y_resampled[train_index], y_resampled[val_index] # 超参数优化 SVM grid_search_svm = GridSearchCV(svm_model, svm_param_grid, cv=5) grid_search_svm.fit(X_train, y_train) best_svm = grid_search_svm.best_estimator_ best_svm_params.append(grid_search_svm.best_params_) svm_pred = best_svm.predict(X_val) svm_accuracy = accuracy_score(y_val, svm_pred) svm_fold_accuracies.append(svm_accuracy) # 计算 SVM 训练集准确率 svm_train_pred = best_svm.predict(X_train) svm_train_accuracy = accuracy_score(y_train, svm_train_pred) svm_fold_train_accuracies.append(svm_train_accuracy) # 计算其他评估指标 recall = recall_score(y_val, svm_pred) f1 = f1_score(y_val, svm_pred) y_pro = best_svm.predict_proba(X_val) auc = roc_auc_score(y_val, y_pro[:, 1]) svm_fold_recalls.append(recall) svm_fold_f1s.append(f1) svm_fold_aucs.append(auc) # 输出各折验证准确率 print("SVM各折验证准确率:", svm_fold_accuracies) # 输出各折训练准确率 print("SVM各折训练准确率:", svm_fold_train_accuracies) # 输出平均准确率 print(f"SVM 平均交叉验证准确率: {np.mean(svm_fold_accuracies)}") # 输出平均训练准确率 print(f"SVM 平均训练准确率: {np.mean(svm_fold_train_accuracies)}") # 判断是否过拟合 print("SVM 是否过拟合:", np.mean(svm_fold_train_accuracies) - np.mean(svm_fold_accuracies) > 0.1) # 输出最佳超参数 print("SVM 最佳超参数:", best_svm_params) # 输出各折验证的召回率、F1 分数、AUC print("SVM各折验证召回率:", svm_fold_recalls) print("SVM各折验证F1分数:", svm_fold_f1s) print("SVM各折验证AUC:", svm_fold_aucs) # 输出平均召回率、F1 分数、AUC print(f"SVM 平均交叉验证召回率: {np.mean(svm_fold_recalls)}") print(f"SVM 平均交叉验证F1分数: {np.mean(svm_fold_f1s)}") print(f"SVM 平均交叉验证AUC: {np.mean(svm_fold_aucs)}") # 在测试集上评估最终模型 X_test_scaled = scaler.transform(X_test) X_test_reduced = pca.transform(X_test_scaled) # 用最佳参数的 SVM 模型在测试集评估 best_svm.fit(X_reduced, y_resampled) svm_test_pred = best_svm.predict(X_test_reduced) svm_test_accuracy = accuracy_score(y_test, svm_test_pred) print(f"SVM 测试集准确率: {svm_test_accuracy}") # 计算测试集的召回率、F1 分数、AUC test_recall = recall_score(y_test, svm_test_pred) test_f1 = f1_score(y_test, svm_test_pred) y_test_pro = best_svm.predict_proba(X_test_reduced) test_auc = roc_auc_score(y_test, y_test_pro[:, 1]) print(f"SVM 测试集召回率: {test_recall}") print(f"SVM 测试集F1分数: {test_f1}") print(f"SVM 测试集AUC: {test_auc}") ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值