LIBSVM使用步骤.docVIP

LIBSVM 使用步骤 进入附件/命令提示符； 输入cd c :\libsvm-2.88\windows; 输入原始数据（数据应以记事本的方式保存至libsvm-2.88\windows下），如下： 0.097 1:0.09 2:0.09 3:0.09 4:0.09 5:0.09 0.093 1:0.097 2:0.09 3:0.09 4:0.09 5:0.09 4.利用svmtrain [options] training_set_file [model_file]其中， options（操作参数）：可用的选项即表示的涵义如下所示 -s svm类型：设置SVM 类型，默认值为0，可选类型有（对于回归只能选3或4）：0 -- C- SVC 1 -- n - SVC 2 -- one-class-SVM 3 -- e - SVR 4 -- n - SVR -t 核函数类型：设置核函数类型，默认值为2，可选类型有： 0 -- 线性核：u*v 1 -- 多项式核： (g*u*v+ coef 0)deg ree 2 -- RBF 核：e( u v 2) g – 3 -- sigmoid 核：tanh(g*u*v+ coef 0) -d degree：核函数中的degree设置，默认值为3；-g g ：设置核函数中的g ，默认值为1/ k ； -r coef 0：设置核函数中的coef 0，默认值为0； -c cost：设置C- SVC、e - SVR、n - SVR中从惩罚系数C，默认值为1； -n n ：设置n - SVC、one-class-SVM 与n - SVR 中参数n ，默认值0.5； -p e ：设置n - SVR的损失函数中的e ，默认值为0.1； -m cachesize：设置cache内存大小，以MB为单位，默认值为40； -e e ：设置终止准则中的可容忍偏差，默认值为0.001； -h shrinking：是否使用启发式，可选值为0 或1，默认值为1； -b 概率估计：是否计算SVC或SVR的概率估计，可选值0 或1，默认0； -wi weight：对各类样本的惩罚系数C加权，默认值为1； -v n：n折交叉验证模式。 其中-g选项中的k是指输入数据中的属性数。操作参数 -v 随机地将数据剖分为n 部分并计算交叉检验准确度和均方根误差。以上这些参数设置可以按照SVM 的类型和核函数所支持的参数进行任意组合，如果设置的参数在函数或SVM 类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。training_set_file是要进行训练的数据集；model_file是训练结束后产生的模型文件，该参数如果不设置将采用默认的文件名，也可以设置成自己惯用的文件名。 5.测试 用法：svmpredict [options] test_file model_file output_file options（操作参数）： -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；output_file 是svmpredict 的输出文件，表示预测的结果值。输出结果包括均方误差（Mean squared error）和相关系数（Squared correlation coefficient）。 缩放：svm-scale -y -1 1 -s save.file 1.txt1.scale 交叉验证：python grid.py t.txt（有时无可靠结果） 训练：svm-train.exe -s 3 -t 3 –c 1.6 –v 5 xunlian.txt (依靠交叉验证v=5，通过误差和相关系数优化参数) 预测：svm-predict yuce.txt xunlian.txt.model y.out