LibSVM学习（二）——第一次体验libSvm

       1. 把LibSVM包解压到相应的目录（因为我只需要里面windows文件夹中的东东，我们也可以只把windows文件夹拷到相应的目录），比如C:\libsvm-3.12

       2. 在电脑“开始”的“运行”中输入cmd，进入DOS环境。定位到C:\libsvm-3.12下，具体命令如下:

         C: (回车)

         cd C:\libsvm-3.12\windows(回车)

         (上面第一行是先定位到盘符d，第二行cd 是定位到相应盘符下的目录)

3. 进行libsvm训练，输入命令：(这里要注意文件的名字，2.89以前版本都是svmtrain.exe)

svm-train ..\heart_scale ..\train.model

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

*
optimization finished, #iter = 162
nu = 0.431029
obj = -100.877288, rho = 0.424462
nSV = 132, nBSV = 107
Total nSV = 132

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

   1 1:0.166667 2:1 3:-0.333333 … 10:-0.903226 11:-1 12:-1 13:1
   0.5104832128985164 1:0.125 2:1 3:0.333333 … 10:-0.806452 12:-0.333333 13:0.5
   ………..
   -1 1:-0.375 2:1 3:-0.333333…. 10:-1 11:-1 12:-1 13:1
         -1 1:0.166667 2:1 3:1 …. 10:-0.870968 12:-1 13:0.5

    到现在，第一次体验libsvm到这就基本结束了，其他的两个(svm-predict、svm-scale)的使用过程类似。怎么样，挺爽的吧。对于个别参数你还不理解，没关系，下面我们会具体讲到。