小试libSVM

    本文将粗略解释如何使用libSVM程序，使用SVM的流程大概就是：

   （1）准备数据并做成指定的格式（有必要时许svm_scale）

    （2）用svm-train来训练成model

     （3）对新的输入，使用svm-predict来预测新数据的类（class）

 

     下面分别解释svm-train以及svm-predict的用法

      （1）svm-train 的语法是：svm-train   [options]   training_set_file   [model_file]

       training_set_file  :按照之前的格式，而model_file若不特指，则结果会以[training_set_file].model形式保存，options可以先不给出。  

   如下的例子：

      ./svm-train  heart_scale

      optimization  finished,#iter = 219

      nu = 0.431030

      obj = -100.877286,rho = 0.424632

      nSV = 132,nBSV = 107

      Total  nSV = 132

     执行结果产生heart_scale.model 

 

      （2）svm-predict的语法是： svm-predict   test_file  model_file   output_file

      test_file：即我们要predict的数据，其格式与svm-train的输入（即training_set_file ）是一样的，不过，每行最前面的label可以省略（因为predict就是要预测那个label），

                        若test_file有label值的话，predict以后会顺便拿predict出来的值域test_file里面写的值做对比，这代表着：test_file写的label是真正的分类结果，与predict的结果

                       做对比集合知道predict是否正确。 故可以拿原来的训练集当做test_file，再丢给svm-predict去预测，看看正确率有多高，方便后面调参数。

      model_file ：就是svm-train出来的模型

     out_file：存储输出的结果

    输出的格式很简单，每行一个label，对应到  test_file里面的各行。

 

   下列的程序执行会产生heart_scale.out

  ./svm-predict   heart_scale   heart_scale.model    heart_scale.out

  Accuracy  = 86.6667% (234/270)  (calssification分类)

  Mean squared error = 0.533333 (regession回归)

  Squared correlation coefficient = 0.532639(regession回归) 

  将原输入丢 回去predict，第一行的Accuracy 就是预测的正确率，若输入没有label的话，则是真的predict。

 

简而言之，利用SVM来实现：只要写程序输出正确格式的数据，交给SVM训练，再predict并读入结果即可。