经历手写SVM的惨烈教训(还是太年轻)之后，我决定使用工具箱/第三方库

Python

libsvm的GitHub仓库

LibSVM是开源的SVM实现，支持C， C++， Java，Python ， R 和 Matlab 等, 这里选择使用Python版本。

安装LibSVM

将LibSVM仓库的所有内容放入Python的包目录\Lib\site-packages或者工程目录中。

在libsvm根目录和python子目录下中分别新建名为__init__.py的空文件，这两个空文件将标识所在的目录为python包可以直接导入。

允许草民吐槽一下各种Blog里切换根目录的奇怪的解决方案：这个和这个

因为经常使用svm，所以草民将libsvm包放入\Lib\site-packages目录下。在Python交互环境或在任意脚本中都可以使用import libsvm.python来使用libsvm的python接口。

使用LibSVM

LibSVM的使用非常简单，只需调用有限的接口

示例1：

from libsvm.python.svmutil import *
from libsvm.python.svm import *y, x = [1,-1], [{1:1, 2:1}, {1:-1,2:-1}]
prob  = svm_problem(y, x)
param = svm_parameter('-t 0 -c 4 -b 1')
model = svm_train(prob, param)
yt = [1]
xt = [{1:1, 2:1}]
p_label, p_acc, p_val = svm_predict(yt, xt, model)
print(p_label)

输出结果：

optimization finished, #iter = 1
nu = 0.062500
obj = -0.250000, rho = 0.000000
nSV = 2, nBSV = 0
Total nSV = 2
test:
Model supports probability estimates, but disabled in predicton.
Accuracy = 100% (1/1) (classification)
[1.0]

在SVM数据中下载train1.txt和test1.txt。

LibSVM可以在文件中读取训练数据，这样便于大规模数据的使用。

示例：

from libsvm.python.svmutil import *
from libsvm.python.svm import *y, x = svm_read_problem('train1.txt')
yt, xt = svm_read_problem('test1.txt')
model = svm_train(y, x )
print('test:')
p_label, p_acc, p_val = svm_predict(yt[200:202], xt[200:202], model)
print(p_label)

可以看到输出：

optimization finished, #iter = 5371
nu = 0.606150
obj = -1061.528918, rho = -0.495266
nSV = 3053, nBSV = 722
Total nSV = 3053
test:
Accuracy = 40.809% (907/2225) (classification)

LibSVM接口

训练数据格式

libsvm的训练数据格式如下：

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

示例：

1 1:2.927699e+01 2:1.072510e+02 3:1.149632e-01 4:1.077885e+02

主要类型

• svm_problem

保存定义SVM模型的训练数据

• svm_parameter

存储训练SVM模型所需的各种参数

• svm_model

完成训练的SVM模型

• svm_node

模型中一个特征的值，只包含一个整数索引和一个浮点值属性。

主要接口：

-svm_problem(y, x)

由训练数据y,x创建svm_problem对象

• svm_train()

svm_train有3个重载：

model = svm_train(y, x [, 'training_options'])
model = svm_train(prob [, 'training_options'])
model = svm_train(prob, param)

用于训练svm_model模型

• `svm_parameter(cmd)

创建svm_parameter对象，参数为字符串。

示例：

param = svm_parameter('-t 0 -c 4 -b 1')

• svm_predict()

调用语法：

p_labs, p_acc, p_vals = svm_predict(y, x, model [,'predicting_options'])

参数：

y 测试数据的标签

x 测试数据的输入向量

model为训练好的SVM模型。

返回值：

p_labs是存储预测标签的列表。

p_acc存储了预测的精确度，均值和回归的平方相关系数。

p_vals在指定参数'-b 1'时将返回判定系数(判定的可靠程度)。

这个函数不仅是测试用的接口，也是应用状态下进行分类的接口。比较奇葩的是需要输入测试标签y才能进行预测，因为y不影响预测结果可以用0向量代替。

• svm_read_problem

读取LibSVM格式的训练数据：

y, x = svm_read_problem('data.txt')

• svm_save_model

将训练好的svm_model存储到文件中：

svm_save_model('model_file', model)

model_file的内容：

svm_type c_svc
kernel_type linear
nr_class 2
total_sv 2
rho 0
label 1 -1
probA 0.693147
probB 2.3919e-16
nr_sv 1 1
SV
0.25 1:1 2:1
-0.25 1:-1 2:-1 

• svm_load_model

读取存储在文件中的svm_model:

 model = svm_load_model('model_file')

调整SVM参数

LibSVM在训练和预测过程中需要一系列参数来调整控制。

svm_train的参数：

• -s SVM的类型(svm_type)

  • 0 -- C-SVC(默认)

    使用惩罚因子(Cost)的处理噪声的多分类器

  • 1 -- nu-SVC(多分类器)

    按照错误样本比例处理噪声的多分类器

  • 2 -- one-class SVM

    一类支持向量机，可参见"SVDD"的相关内容

  • 3 -- epsilon-SVR(回归)

    epsilon支持向量回归

  • 4 -- nu-SVR(回归)

• -t 核函数类型(kernel_type)

  • 0 -- linear(线性核):

    u'*v

  • 1 -- polynomial(多项式核):

    (gamma*u'*v + coef0)^degree

  • 2 -- radial basis function(RBF,径向基核/高斯核):

    exp(-gamma*|u-v|^2)

  • 3 -- sigmoid(S型核):

    tanh(gamma*u'*v + coef0)

  • 4 -- precomputed kernel(预计算核)：

    核矩阵存储在training_set_file中

下面是调整SVM或核函数中参数的选项：

• -d 调整核函数的degree参数，默认为3

• -g 调整核函数的gamma参数，默认为1/num_features

• -r 调整核函数的coef0参数，默认为0

• -c 调整C-SVC, epsilon-SVR 和 nu-SVR中的Cost参数，默认为1

• -n 调整nu-SVC, one-class SVM 和 nu-SVR中的错误率nu参数，默认为0.5

• -p 调整epsilon-SVR的loss function中的epsilon参数，默认0.1

• -m 调整内缓冲区大小,以MB为单位，默认100

• -e 调整终止判据，默认0.001

• -wi调整C-SVC中第i个特征的Cost参数

调整算法功能的选项：

• -b 是否估算正确概率,取值0 - 1，默认为0

• -h 是否使用收缩启发式算法(shrinking heuristics),取值0 - 1，默认为0

• -v 交叉校验

• -q 静默模式

Matlab

LibSVM的Matlab接口用法类似，Matlab丰富的标准工具箱提供了各种方便。

Statistic Tools工具箱提供了svmtrain和svmclassify函数进行SVM分类。

traindata = [0 1; -1 0; 2 2; 3 3; -2 -1;-4.5 -4; 2 -1; -1 -3];
group = [1 1 -1 -1 1 1 -1 -1]';
testdata = [5 2;3 1;-4 -3];
svm_struct = svmtrain(traindata,group);
Group = svmclassify(svm_struct,testdata);

svmtrain接受traindata和group两个参数，traindata以一行表示一个样本，group是与traindata中样本对应的分类结果，用1和-1表示。

svmtrain返回一个存储了训练好的svm所需的参数的结构体svm_struct。

svmclassify接受svm_struct和以一行表示一个样本的testdata，并以1和-1列向量的形式返回分类结果。