libsvm-3.12中的 README

Libsvm  是一个简单的，易用的，高效的SVM分类和回归软件。它解决了 C-SVM 分类，nu-SVM 分类，
one-class-SVM，epsilon-SVM 回归，nu-SVM 回归（的问题）。它也提供了一个自动的 C-SVM 分类的模型选择工具。本文档解释了 Libsvm 的用法。

Libsvm 的获取：http://www.csie.ntu.edu.tw/~cjlin/libsvm

请在使用  Libsvm 之前阅读 COPYRIGHT 文档。

目录：
=======================

- 快速开始
- 安装与数据格式
- 使用 ‘svm-train’
- 使用 ‘svm-predict’
- 使用 ‘svm-scale’
- 实际应用的小贴士
- 例子
- 自定义核函数
- 库的使用
- Java 版本
- 编译 Windows 二进制文件
- 附加工具：Sub-sampling, Parameter Selection, Format checking, 等
-  MATLAB/OCTAVE 接口
- Python 接口
- 补充

快速开始
=======================

如果你刚接触 SVM 并且数据不大，安装完毕之后请用 ‘tools' 文件夹下的 easy.py。它自动做好所有的事情——从数据缩放到参数选择。

使用方法：easy.py training_file [testing_file]

有关参数选择的更多信息请参阅 ‘tools/README’。

安装和数据格式
=======================

在 Unix 系统中，键入 ‘make’   编译 ‘svm-train’ 和 ‘smv-predict’ 程序。运行程序时不设参数可以显示它们的用法。

在另一些系统中，查阅 ‘Makefile’ 来编译它们（ 例如，参阅本文档中的 ‘编译 Windows 二进制文件’ ）或者使用已编译的二进制文件（ Windows 二进制文件在 ‘windows’ 目录下 ）。

训练数据和测试数据的文件格式如下：

<label> <index1>:<value1> <index2>:<value2> ...

     .

     .

每一行包括一个实例（样本）并以 ‘\n’ 字符结束。对于分类， <label> 是一个整型数据，表示一个分类标签（支持多类分类）。对于回归， <label>  是一个可以为任意实数的目标值。对于  one-class  SVM，它不被使用，所以可取任意值。一对 <index>:<value> 提供一个特征（属性）值：<index> 是从 1 开始的整型数据，<value> 是一个实数。唯一的例外是自定义核函数，<index> 从 0 开始；参见自 ‘定义核函数’ 部分。Indices 必须是单调增的顺序。测试文件中的 Labels 仅仅用于计算精度或误差。如果它们是未知量，只需在第一列任意填一个数。

本程序包中的一个已分类的数据的样本是 ‘heart_scale’。使用‘tools/checkdata.py（细节参阅 ‘tools/README’ ）’ 来检查你的数据是否为正确的格式。

键入 ‘svm-train heart_scale’，此程序会读入训练数据并且输出（建立好的）模型文件 ‘heart_scale.model’。如果你有一个命名为 ‘heart_scale.t’ 的测试集，键入 ‘svm-predict heart_scale.t heart_scale.model output’ 来观察预测精度。‘output’ 文件包含预测后的类别标签。

对于分类（问题），如果训练数据都是同一类（即，所有标签都一样），那么 'svm-train' 会 出示一个警告信息：‘Warning: training data in only one class. See README for details ’，意味着训练数据是非常不平衡的。训练数据的 label 在测试的时候直接返回。

下面是本程序包中的其他的一些有用的程序：

svm-scale：
   这是一个缩放输入数据文件的工具（其实就是把属性值归一化）。
svm-toy：
   这是一个简单的图形接口，它用一个平面展示 SVM 怎样将数据分开。你可以在窗口内点击来画出一些数据点，使用 ‘change’ 按钮来选择类别 1，2，3（即，最多支持三个类别），‘load’ 按钮用来载入文件中的数据，‘save’ 按钮用来保存数据到一个文件，‘run’ 按钮用来得到一个 SVM 模型，‘clear’ 按钮来清空窗口。

你可以在窗口底端内输入选项，选项语法与 ‘svm-train’ 相同。

注意，‘load’ 和 ‘save’ 会考虑分类和回归情况中的密集数据格式。对于分类，每一个数据点有一个必须为1，2，3的 label（颜色）和两个在 [0，1）上的属性（x坐标和y坐标）。对于回归，每一个数据点有一个在 [0，1）上的目标值（y坐标）和一个在 [0，1）上属性（x坐标）。

分别在其各自的文件夹中键入‘make’来编译它们。

你需要 Qt 库来编译 Qt 版本。从 http://www.trolltech.com 获取。
你需要 GTK+ 库来编译 GTK 版本。从 http://www.gtk.org 获取。

预编译的 Windows 二进制文件在 ‘windows’ 文件夹下。我们使用的是32位的机器上的 Visual C++，所以最大缓存

大小是2GB。

使用‘svm-train’
=======================

用法：svm-train [options] training_set_file [model_file]
options：
-s svm_type:设定SVM类型（默认为0）

        0 -- C-SVC   （多类分类）

            1 -- nu-SVC    （多类分类）

            2 -- one-class SVM

            3 -- epsilon-SVR    （回归）

            4 -- nu-SVR    （回归）
-t kernel_type：设定核函数类型（默认为2）

            0 -- linear: u'*v 线性核函数

            1 -- polynomial: (gamma*u'*v + coef0)^degree 多项式核函数

            2 -- radial basis function: exp(-gamma*|u-v|^2) 径向基函数

            3 -- sigmoid: tanh(gamma*u'*v + coef0) sigmoid核函数

            4 -- precomputed kernel (kernel values in training_set_file) 自定义核函数
-d degree：设定核函数的 degree 值（默认为 3）
-g gamma：设定核函数的 gamma 值（默认为 1/k）
-r coef0：设定核函数的 coef0 值（默认为 0）
-c cost：设定 C-SVC，epsilon-SVR，nu-SVR 的参数惩罚因子C值（默认为 1）

-n nu：设定 nu-SVC，one-class SVM，nu-SVR 的参数nu值（默认为 0.5）

-p epsilon：设定 epsilon-SVR 的损失函数中的  epsilon 值（默认为 0.1）

-m cachesize：设定缓存大小，以 MB 为单位（默认为 100）

-e epsilon：设定终止条件的允差（默认为 0.001）

-h shrinking：是否使用 shrinking heuristics（PS：这玩意太不好翻译），0 或 1（默认为 1）

-b probability_estimates：是否训练一个 SVC 或 SVR 模型做概率估计，0或1（默认为 0）

-wi weight : 对于 C-SVC，设定 i 类的参数 C 为 weight*C（默认为1）

-v n：n-折交叉验证模式

-q ：退出模式（无输出）

-g 选项中的的 k 为输入数据的属性数量。
-v 选项随机截取数据为 n 个部分，计算它们的交叉验证的精度或者均方误差。
关于输出的意义，参阅libsvm FAQ。

使用‘svm-predict’

=======================

用法：svm-predict [options] test_file model_file output_file

options:

-b probability_estimates：是否预测概率估计，0或1（默认为 0）；对于one-class SVM，仅支持 0。

model_file 是由 ‘svm-train’ 产生的模型文件。

test_file 是你欲预测的测试数据。

output_file 是 ‘svm-predict’ 产生的输出文件。

使用‘svm-scale’
=======================

用法：svm-scale [options] data_filename

options:

-l lower：x 缩放下限（默认为-1）

-u upper：x 缩放上限（默认为+1）

-y y_lower y_upper：y 缩放上下限（默认为不缩放）

-s save_filename：储存缩放参数到save_filename文件中

-r restore_filename：载入 restore_filename 中的缩放参数

例子请参阅本文件中的‘Examples’。

实际应用的小贴士

=======================

* 缩放数据。例如，缩放每个属性为 [0，1] 或 [-1，+1]。

* 对于 C-SVC，可以考虑用  ‘tools’ 文件夹下的模型选择工具。

* nu-SVC/one-class-SVM/nu-SVR 中的 nu 参数近似为训练误差和支持向量的比率。

* 如果要分类的数据是不平衡的（如，大正集和小负集），用 -wi 尝试不同的惩罚因子（参见下述例子）。

* 对于复杂问题，指定更大的缓存（即，larger -m）。

例子
=======================

> svm-scale -l -1 -u 1 -s range train > train.scale

> svm-scale -r range test > test.scale
缩放训练数据的每个特征值在 [-1，1] 内 （训练数据文件为 train，缩放后的数据为 train.scale），缩放因子（就是一些参数）被存储在 range 文件中然后被用于缩放测试数据（测试数据文件为test，缩放后的数据为test.scale）。

> svm-train -s 0 -c 5 -t 2 -g 0.5 -e 0.1 data_file
用 RBF核函数 exp(-0.5|u-v|^2) 训练（ data_file文件）得到一个分类器，C=10，终止允差为0.1。

> svm-train -s 3 -p 0.1 -t 0 data_file
用 线性核函数 u'v 解决 SVM 回归（问题），损失函数中 epsilon=0.1。

> svm-train -c 10 -w1 1 -w2 5 -w4 2 data_file

训练一个分类器，对于 ‘1’ 类 惩罚因子为 10= 1 * 10，对于 ‘2’ 类 惩罚因子为 50 =  5 * 10，对于 ‘4’ 类 惩罚因子为 20 = 2 * 10。

> svm-train -s 0 -c 100 -g 0.1 -v 5 data_file

对分类器用参数 C=100，gamma=0.1 做五折交叉验证。

> svm-train -s 0 -b 1 data_file

> svm-predict -b 1 test_file data_file.model output_file

用概率信息得到一个模型。用概率估计来预测测试数据。

自定义核函数
=======================

用户可以自定义核函数的值并输入它们作为训练和测试文件。之后 libsvm 不需要原始的训练和测试集。

假定有  L 个训练实体 x1, ..., xL。以 K(x, y) 做核函数中两个实体 x，y 的值，输入格式如下：

新训练实例 xi：

<label> 0:i 1:K(xi,x1) ... L:K(xi,xL)

新测试实例 任意 x:

<label> 0:? 1:K(x,x1) ... L:K(x,xL)

即，在训练文件中，第一列必须是 xi 的‘ID’。在测试中，用  ? 作为任意值。

所有核函数值包括 ZEROs 必须是明确提供的。训练和测试文件中任何随机的或排列的子集也有效（见下例）。

注意：格式与 以前在 libsvmtools（文件夹）中发布的 预定义核函数 略有不同 。

例子:

            假定最初的训练数据有三个 4-feature 的实例，测试数据有一个实例：

            15   1:1 2:1 3:1 4:1

            45            2:3          4:3

            25                     3:1

            15   1:1          3:1

            如果用线性核函数，我们将得到如下新的训练和测试子集：

            15   0:1 1:4 2:6    3:1

            45   0:2 1:6 2:18 3:0

            25   0:3 1:1 2:0    3:1

            15   0:? 1:2 2:0   3:1

            ? 可为任何值。

            上面的训练文件的任何子集也是有效的。如，

            25   0:3 1:1 2:0   3:1

            45   0:2 1:6 2:18 3:0

            意味着核矩阵为：

                        [K(2,2) K(2,3)] = [18 0]

                        [K(3,2) K(3,3)] = [ 0   1]