基于libsvm库的python支持向量机(SVM)简明干货

最近项目在搞模式识别，通过支持向量机的方法来进行分类，网上看到了python代码，但是，只能做到二维分类。

维数上去之后，没有办法有效识别，这个svm的代码有序有时间的话，我会写好一份多维特征量判别的代码发上来。

话题开始，先简单说说支持向量机：

支持向量机SVM,是人工智能领域一类比较常用的有效分类方式，通过寻找全局最优支持向量，将平面或者超平面分割为两个部分，

这两个部分可以通过一个线性函数或者非线性函数f(x)来实现划分，这个f(x)的定义式：

f(x)=[W].T*x+b

后面的T代表矩阵的转置，这里的自变量x∈Rn，也就是我们说的n维向量，我们可以通过一个一维数组来表示，数组成员数就是n。

所谓的支持向量机训练操作就是在寻找一个W和b这样的常数矩阵，可以看做是在解W.和b的过程。

我们训练好这两个参数之后，再把我们想要测试的x值带到这里面去，就可以知道这个样本属于哪一类了。

结果

y=sgn(f(x))

习惯上用符号函数来表示，这种表示方法与支持向量机里面的建模函数有关，这里不详说。意思就是只需比较这个结果是否为0即可判别属于哪类。

台湾大学的林教授给我们提供好了一个SVM的库，这个库提供源代码，感兴趣的可以去下载下，下载地址百度、谷歌libsvm即可，这里讲用法。

讲libsvm文件夹下面windows文件夹中的libsvm.dll文件拷贝到windows\system32文件夹下，现在的这些编译版本网上说基本是64位的了，所以直接复制过去就行，

不过我下载的这个版本，在README文件中，说这个libsvm.dll文件还是32位的，如果说Python是32位的，查看python是否为32位的输入：

import sys

sys.version

即可

如果是32位的python可以把源代码编译下，vs编译就行。

如果嫌弃编译太麻烦，可以这样做：

把这个libsvm.dll文件放在当前目录的：

../windows/libsvm.dll这个路径就可以了，注意哦，上面可是两个dot，如果这个都不知道什么意思，看看libsvm的目录结构中windows文件夹在哪就知道了。

我们在libsvm\python文件夹下面新建一个文件：1.py

这里面为什么我们在python文件夹下建这个1.py文件，是因为这个文件夹下面有两个.py文件，这两个文件是我们这里的依赖文件，所以，这个必须得有，如果你想把这个脚本整体转移到其他目录中，不要忘记了，你需要把上面windows文件夹转移了，或者放在系统的windows\system32目录中，同时，别忘了这两个Py文件，当然，你也可以放在python安装目录中，不过，不太建议这样，总感觉这样做耦合关系有点儿大。

代码：

from svmutil import *
y, x = svm_read_problem('../heart_scale')
a=y[:60]
b=x[:60]
#print b
m = svm_train(a,b)
p_label1, p_acc, p_val = svm_predict(a,b, m)
a = y[61:121]
b = x[61:121]
p_label2, p_acc, p_val = svm_predict(a,b, m)
print(p_label1)
print(p_label2)
#svm_save_model("sss.txt",m)
if p_label1==p_label2:
    print("true")

这段代码有用的就三句：

y, x = svm_read_problem('../heart_scale')

读文件，y和x代表什么.print出来，然后对照../heart_scale文件就知道了。

m = svm_train(a,b)

训练函数，

p_label2, p_acc, p_val = svm_predict(a,b, m)

测试训练结果，主要显示精度，精度与c g 参数有关，可以通过svm_scale，tools/easy.py等来提高精度。方法网上太多，不多说了。

说一句关键的，训练好支持向量之后怎么用？

这里的svm_predict函数可以充当决策函数的作用，返回值p_label中的1和-1即代表了两类数据集。所以那里面的a参数只要保证维数与b相同即可。

上面的代码仔细看懂即可理解这个关系。