svm理论与实验之12: Hello World

徐海蛟博士 Teaching.

我教学学习的libsvm版本是3.17最新版。应用3.17最新版自带的训练集heart_scale来完成第一个实验，该训练集样本数：270，特征数：13。童鞋们跟我一起玩。

1. 把LibSVM包解压到相应的目录，比如 D:/lab/libsvm/。

2. 在电脑“开始”的“运行”中输入cmd，进入DOS命令提示符环境。定位到d:/lab/libsvm/windows/下。

3. 进行libsvm训练，输入命令：

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: 132

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 // 正类支持向量个数：64，反类sv个数：68

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。