svm训练显示信息说明

现简单对屏幕回显信息进行说明：

#iter 为迭代次数，

nu  与前面的操作参数 -n nu  相同，

obj 为 SVM 文件转换为的二次规划求解得到的最小值，

rho  为判决函数的常数项 b ，

nSV  为支持向量个数，

nBSV 为边界上的支持向量个数，

Total nSV 为支持向量总个数。

训练后的模型保存为文件 *.model ，用记事本打开其内容如下：

svm_type c_svc %  训练所采用的 svm 类型，此处为 C- SVC

kernel_type rbf % 训练采用的核函数类型，此处为 RBF 核

gamma 0.0769231 % 设置核函数中的 g  ，默认值为 1/ k

nr_class 2 % 分类时的类别数，此处为两分类问题

total_sv 132 % 总共的支持向量个数

rho 0.424462 % 决策函数中的常数项 b

label 1 -1% 类别标签

nr_sv 64 68 % 各类别标签对应的支持向量个数

SV % 以下为支持向量

1 1:0.166667 2:1 3:-0.333333 4:-0.433962 5:-0.383562 6:-1 7:-1 8:0.0687023 9:-1 10:-0.903226 11:-1 12:-1 13:1

0.5104832128985164 1:0.125 2:1 3:0.333333 4:-0.320755 5:-0.406393 6:1 7:1 8:0.0839695 9:1 10:-0.806452 12:-0.333333 13:0.5

1 1:0.333333 2:1 3:-1 4:-0.245283 5:-0.506849 6:-1 7:-1 8:0.129771 9:-1 10:-0.16129 12:0.333333 13:-1

1 1:0.208333 2:1 3:0.333333 4:-0.660377 5:-0.525114 6:-1 7:1 8:0.435115 9:-1 10:-0.193548 12:-0.333333 13:1

4 ）采用交叉验证选择最佳参数 C 与 g

通常而言，比较重要的参数是  gamma (-g)  跟  cost (-c)  。而  cross validation (-v)

的参数常用 5 。那么如何去选取最优的参数 c 和 g 呢？ libsvm  的  python  子目录下面的  grid.py  可以帮助我们。   此时。其中安装 python2.5 需要（一般默认安装到 c:/python25

下），将 gnuplot 解压。安装解压完毕后，进入 /libsvm/tools 目录下，用文本编辑器（记事

本， edit 都可以）修改 grid.py 文件，找到其中关于 gnuplot 路径的那项（其默认路径为

gnuplot_exe=r"c:/tmp/gnuplot/bin/pgnuplot.exe" ），根据实际路径进行修改，并保存。然

后，将 grid.py 和 C:/Python25 目录下的 python.exe 文件拷贝到 libsvm/windows 目录下，键入以下命令： $ python grid.py train.1.scale  执行后，即可得到最优参数 c 和 g 。

另外，至于下 libsvm 和 python 的接口的问题，在 libsvm2.86 中林老师已经帮助我们解决，在/libsvm/windows/python 目录下自带了 svmc.pyd 这个文件，将该文件文件复制到

libsvm/python 目录下，同时，也将 python.exe 文件复制到该目录下，键入以下命令以检验效

果（注意： .Py 文件中关于 gnuplot 路径的那项路径一定要根据实际路径修改）：

python svm_test.py

如果能看到程序执行结果，说明 libsvm 和 python 之间的接口已经配置完成，以后就可以直接在python 程序里调用 libsvm 的函数了！

5 ）   采用最佳参数 C 与 g  对整个训练集进行训练获取支持向量机模型

$ svmtrain –c x –g x –v x training_set_file [model_file]

x 为上述得到的最优参数 c 和 g 的值， v 的值一般取 5 。

6 ）利用获取的模型进行测试与预测

使用 Svmtrain 训练好的模型进行测试。输入新的 X 值，给出 SVM 预测出的 Y 值

$ Svmpredict   test_file   model_file   output_file

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

Accuracy = 86.6667% (234/270) (classification)

这里显示的是结果

一个具体使用的例子。

以 libsvm 中的 heart_scale 作为训练数据和测试数据，同时已经将 python 安装至 c 盘，并将grid.py 文件中关于 gnuplot 路径的默认值修改为实际解压缩后的路径，将

heart_scale 、 grid.py 和 python.exe 拷贝至 /libsvm/windows 文件夹下。

./svm-train heart_scale

optimization finished, #iter = 162

nu = 0.431029

obj = -100.877288, rho = 0.424462

nSV = 132, nBSV = 107

Total nSV = 132

此时，已经得到 heart_scale.model ，进行预测：

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

Accuracy = 86.6667% (234/270) (classification)

正确率为 Accuracy = 86.6667% 。

./python grid.py heart_scale

得到最优参数 c=2048 ， g=0.0001220703125.

./svm-train -c 2048 -g 0.0001220703125 heart_scale 得到 model 后，由 ./svm-predict heart_scale  heart_scale.model heart_scale.out 得到的正确

率为 Accuracy = 85.1852%.这块还有点迷惑？为什么正确率降低了？

当然也可以结合subset.py 和 easy.py 实现自动化过程。

如果要训练多次，可以写个批处理程序省好多事。

这里举个例子：

::@ echo off
cls
:: split the data and output the results
for /L %%i in (1,1,1000) do python subset.py b59.txt 546 b59(%%i).in8 b59(%%i).out2

for /L %%i in (1,1,1000) do python easy.py b59(%%i).in8 b59(%%i).out2 >> result89.txt

这段批处理代码首先调用subset.py对文件b59.txt执行1000次分层随机抽样(对数据进行80-20%分割)然后调用easy.py 进行1000次参数寻优，把记录结果写到result89.txt中

（包括1000次训练的分类准确率和参数对）。

还可以调用fselect.py进行特征选择，调用plotroc.py进行roc曲线绘制。

先写到这里吧，希望能和大家一起学习libsvm，进一步学好svm。