libSVM分类小例C++
from:http://www.doczj.com/list_31/
使用libSVM求解分类问题的C++小例
1.libSVM简介
训练模型的结构体
struct svm_problem//储存参加计算的所有样本
{
int l; //记录样本总数
double *y; //指向样本类别的组数 //prob.y = new double[prob.l];
struct svm_node **x;//数据样本 //prob.x = new svm_node[prob.l][] ==>svm_node[index][value] ;
};
当样本类别事先已经被告知时,可以通过数字来给样本数据进行标识(如果是两类通常以1与-1来表示)。如果不清楚样本类别可以用样本个数编号来设置,这时候分类的准确率也就无法判定了。
数据样本是一个二维数组,其中每个单元格储存的是一个svm_node,y与样本数据的对应关系为:
数据节点的结构体
struct svm_node//储存单一向量的单个特征
{
int index; //索引
double value; //值
};
如果需要储存向量,就可以使用6个svm_node来保存,内存映像为:
SVM模型类型枚举
enum { C_SVC, NU_SVC, ONE_CLASS, EPSILON_SVR, NU_SVR };
◆C_SVC: C表示惩罚因子,C越大表示对错误分类的惩罚越大
◆NU_SVC: 和C_SVC相同。
◆ONE_CLASS: 不需要类标号,用于支持向量的密度估计和聚类.
◆EPSILON_SVR:-不敏感损失函数,对样本点来说,存在着一个不为目标函数提供任何损失值的区域,即-带。
◆NU_SVR:由于EPSILON_SVR需要事先确定参数,然而在某些情况下选择合
适的参数却不是一件容易的事情。而NU_SVR能够自动计算参数。
注意:C_SVC与NU_SVC其实采用的模型相同,但是它们的参数C的范围不同C_SVC采用的是0到正无穷,NU_SVC是[0,1]。
核函数类型枚举
enum { LINEAR, POLY, RBF, SIGMOID, PRECOMPUTED };
◆LINEAR:线性核函数(linear kernel)
◆POLY:多项式核函数(ploynomial kernel)
◆RBF:径向机核函数(radical basis function)
◆SIGMOID:神经元的非线性作用函数核函数(Sigmoid tanh)
◆PRECOMPUTED:用户自定义核函数
计算模型参数结构体
struct svm_parameter
{
int svm_type; //支持向量机模型类型
int kernel_type; //核函数类型
int kernel_type; //核函数类型
int degree; /* 使用于POLY模型*/
double gamma; /* for poly/rbf/sigmoid */
double coef0; /* for poly/sigmoid */
/* these are for training only */
double cache_size; /* 缓存块大小(MB) */
double eps; /* 终止条件(默认0.001) */
double C; /*惩罚因子for C_SVC, EPSILON_SVR and NU_SVR */
int nr_weight; /*权重的数目for C_SVC */
int *weight_label; /* for C_SVC */
double* weight; /* for C_SVC */
double nu; /* for NU_SVC, ONE_CLASS, and NU_SVR */
double p; /* for EPSILON_SVR */
int shrinking; /*指明训练过程是否使用压缩*/
int probability; /*指明是否要做概率估计*/
};
结构体svm_mod el
用于保存训练后的训练模型,当然原来的训练参数也必须保留。
struct svm_model
{
struct svm_parameter param; /*训练参数*/
int nr_class; /*类别数, = 2 in regression/one class svm */
int l; /*支持向量数*/
struct svm_node **SV; /*支持向量的指针*/
double **sv_coef; /*相当于判别函数中的alpha */
double *rho; /*相当于判别函数中的b */
double *probA; /* pariwise probability information */
double *probB; /* for classification only */
int *label; /* label of each class (label[k]) */
int *nSV; /* numbe
r of SVs for each class (nSV[k]) */
int *nSV; /* number of SVs for each class (nSV[k]) */
/* nSV[0] + nSV[1] + ... + nSV[k-1] = l */ int free_sv;
/* 1 if svm_model is created by svm_load_model*/
/* 0 if svm_model is created by svm_train */
};
2.程序代码实现
这里定义SVMExample类,类主要成员变量为:
struct svm_parameter param; //模型参数
struct svm_problem prob;//
struct svm_model *model; //
struct svm_node *x_space; //
构造函数
构造函数里主要进行参数的初始化,和基本函数的调用
param.svm_type = C_SVC;
param.kernel_type = LINEAR;
param.degree = 3;
param.gamma = 0; // 1/num_features
param.coef0 = 0;
param.nu = 0.5;
param.cache_size = 1;//缓存块大小
param.C = 1;
param.eps = 1e-3;
param.p = 0.1;
param.shrinking = 1;
param.probability = 0;
param.nr_weight = 0;
param.weight_label = NULL;
param.weight = NULL;
cross_validation = 0;
核函数的选取直接影响到分类的结果,如何正确选取核函数就需要使用者对数据的特性有所了解,根据实际情况,这里的核函数选用的是线性的。
实例分析
成员函数一:初始化样本数据
样本选取是学生的身
高和体重:
样本选取是学生的身高和体重:
男1:身高:190cm,体重:70kg;
男2:身高:180cm,体重:80kg;
女1:身高:161cm,体重:80kg;
女2:身高:161cm,体重:47kg;
这里由于事先已经知道样本有男女类别之分,所以设置男生标签为-1,女生标签为1,相对于程序中的y值(样本类别)。
void SVMExample::initliazeData()
{struct svm_node **_node = Malloc(struct svm_node*, 4);//分配4个空间存放4个人信息x_space = Malloc(svm_node, 3);//男1:身高:190cm,体重:70kg;x_space[0].index = 1;x_space[0].value = 190;x_space[1].index = 2;x_space[1].value = 70;x_space[2].index = -1; //x_space[2].value = NULL_node[0] = x_space;x_space = Malloc(svm_node, 3); //男2:身高:180cm,体重:80kg;x_space[0].index = 1;x_space[0].value = 180;x_space[1].index = 2;x_space[1].value = 80;x_space[2].index = -1;//x_space[2].value = NULL_node[1] = x_space;x_space = Malloc(svm_node, 3); //女1:身高:161cm,体重:80kg;x_space[0].index = 1;x_space[0].value = 161;x_space[1].index = 2;x_space[1].value = 45;x_space[2].index = -1;//x_space[2].value = NULL_node[2] = x_space;x_space = Malloc(svm_node, 3); //女2:身高:161cm,体重:47kg;x_space[0].index = 1;x_space[0].value = 163;x_space[1].index = 2;x_space[1].value = 47;x_space[2].index = -1;//x_space[2].value = NULL_node[3] = x_space;double *y1 = Malloc(double, 4); y1[0] = -1;y1[1] = -1;y1[2] = 1;y1[3] = 1;prob.l = 4;prob.x = _node;prob.y = y1;
}
成员函数二:训练样本数据,得出模型
void SVMExample::analysisData()
{const char *error_msg;error_msg = svm_check_parameter(&prob,¶m);if(error_msg){fprintf(stderr, "\nerror:%s\n", error_msg);exit(1);}//如果有必要可以进行交叉性检验/*if(cross_validation){do_cross_validation();}*/model = svm_train(&prob, ¶m);
}
成员函数三:预测数据
预测数据1:身高180cm,体重85kg;
预测数据2:身高161cm,体重50kg;
void SVMExample::displayResult()
{//进行预报struct svm_node *node1 = Malloc(svm_node, 3);node1[0].index = 1;node1[0].value = 180;node1[1].index = 2;node1[1].value = 85;node1[2].index = -1;double r1 = svm_predict(model, node1);printf("预测值r1:%f\n", r1);free(node1);struct svm_node *node2 = Malloc(svm_node, 3);node2[0].index = 1;node2[0].value = 161;node2[1].index = 2;node2[1].value = 50;node2[2].index = -1;double r2 = svm_predict(model, node2);printf("预测值r2:%f\n", r2);free(node2);
}
预测结果
得出分类结果:预测样本1的输出为-1(男),预测样本2的输出为1(女)。如果有需要的话请联系:ikuler@http://www.doczj.com/doc/517f7fa1f524ccbff121846b.html
libSVM分类小例C++相关推荐
- ALV标准的分类小计功能
添加字段的时候如下就可以实现了: CLEAR LIT_FCAT. LIT_FCAT-FIELDNAME = 'MENGE'. "需要汇总的字段 LIT_FCAT-REF_TABNAME = ...
- Vue.js 极简小例: 4 种方式样式绑定、style 的多种方式实现
前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家.点击跳转到教程. 代码: <template><div id="app"> ...
- docker-compose 使用小例
前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家.点击跳转到教程. 只是一个很简单的小例. 1. 原本有的容器 2. docker-compose.yml 写法: ge ...
- 直播平台开发,直播各个分类单例设计展示
直播平台开发,直播各个分类单例设计展示 一. 饿汉式实现 立即加载就是使用类的时候已经将对象创建完毕(不管以后会不会使用到该实例化对象,先创建了再说.很着急的样子,故又被称为"饿汉模式&qu ...
- 机器学习之sklearn-KNN近邻算法分类小案例(乳腺癌预测最优模型)
(案例):用sklearn包实现knn分类小案例,通过交叉验证网格搜索获取最优参数模型,进行参数评估. 导包: from sklearn.datasets import load_breast_can ...
- 3每天Python小例-爬取淘宝网页商品
代码是从https://github.com/gxcuizy/Python/tree/master/%E4%BB%8E%E9%9B%B6%E5%AD%A6Python-%E6%8E%98%E9%87% ...
- 体验AI乐趣:基于AI Gallery的二分类猫狗图片分类小数据集自动学习
摘要:直接使用AI Gallery里面现有的数据集进行自动学习训练,很简单和方便,节约时间,不用自己去训练了,AI Gallery 里面有很多类似的有趣数据集,也非常好玩,大家一起试试吧. 本文分享自 ...
- python正则表达式 小例几则
原文地址为: python正则表达式 小例几则 会用到的语法 正则字符 释义 举例 + 前面元素至少出现一次 ab+:ab.abbbb 等 * 前面元素出现0次或多次 ab*:a.ab.abb 等 ? ...
- svm对未知数据的分类_LibSVM学习3:一个实例搞定libsvm分类
转自:[by faruto] 视频的帖子地址: 本讲视频相关帖子:[1]如何使用libsvm进行分类 这帖子就是初步教教刚接触libsvm(svm)的同学如何利用libsvm进行分类预测,关于参数寻优 ...
最新文章
- Bert代码详解(二)重点
- 中国锂电池行业发展机遇及营销策略前景研究报告2021-2027年版
- linux安装neo4j及远程访问
- 如何用javascript获取文本框,下拉框,单选框的对应值或者将值赋给它们?雪原虎 发布于:2007-10-22 00:32
- NoClassDefFoundError和ClassNotFoundException之间有什么区别?是由什么导致的?
- 【程序设计】接口在软件开发中的普遍用法
- 一种编程范式:对拍编程
- 有些人,理他就输了!
- java常用的对象转map的几种方式
- 【微积分的本质|笔记】直观理解链式法则和乘积法则
- 计算机管理格式化硬盘,细说电脑怎么格式化硬盘
- 基于JSP的购物网站系统
- c语言鞋码,童鞋尺码对照表 童鞋1c、2c、3c和4c是多大码 多少厘米
- Endurance International Group任命曼尼什达拉尔为亚太区董事总经理
- 【转】钓鱼邮件攻击检测
- 手游开发攻防——二、基础篇(更新完)
- file:/usr/local/hive/iotmp/89de7dfe-8f26-4a6e-87b4-bacd16c2b2c8/hive_2021-11-05_05-06-07_555_3392062
- iqn怎么查 linux_如何利用procfs读取iSCSI Initiator IQN信息
- 【存储】RAID0、RAID1、RAID3、RAID5、RAID6、混合RAID10、混合RAID50
- 网线线序及网线转RS232—— DB9线序
热门文章
- 超简单方法: Intellij Idea 把 java 工程打成可运行的 jar
- 使用编辑工具快速创建实体对象的方法
- 2018.12.18运算符,分支结构(循环),异常处理,函数
- PKM(个人知识管理)类软件收集(偶尔更新列表)
- GridView调用setAdapter()函数时发生错误
- 用eclipse配置spket编写extjs代码方法
- C++之STL理论基础
- fork与vfork的区别
- 大数据分析如何创建最佳的移动应用用户体验
- docker-ce安装