Linux下的Libsvm使用历程录

原文：http://blog.csdn.net/meredith_leaf/article/details/6714144

Linux下的Libsvm使用历程录

首先下载Libsvm、Python和Gnuplot：

libsvm的主页http://www.csie.ntu.edu.tw/~cjlin/libsvm/上下载libsvm （偶用3.1版本）

python的主页http://www.python.org下载 python （偶用3.2.1版本）

gnuplot的主页http://www.gnuplot.info/下载gnuplot  （偶用4.4.3版本）

LIBSVM 使用的一般步骤是：

1）按照LIBSVM软件包所要求的格式准备数据集；

2）对数据进行简单的缩放操作；

3）首要考虑选用RBF 核函数；

4）采用交叉验证选择最佳参数C与g ；

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；

6）利用获取的模型进行测试与预测。

在执行以下操作之前先make生成 svm-scale, svm-train, svm-predict三个可执行文件。

1）LIBSVM使用的数据格式

该软件使用的训练数据和检验数据文件格式如下：

[label] [index1]:[value1] [index2]:[value2] ...

[label] [index1]:[value1] [index2]:[value2] ...

一行一条记录数据，如下（可参看libsvm-3.1/heart_scale）:

+1 1:0.708 2:1 3:14:-0.320 5:-0.105 6:-1

注意：由于程序设计的原因，每行数据的最后一个value后面，

还必须加一个空格 ' ' 或Tab '\t' 才能回车换到下一行继续输入下一条数据。

最后一行数据也是必须在最后一个value后面加一个空格 ' ' 或Tab '\t' 的!!!

这里(x,y) -> ((0.708,1,1, -0.320, -0.105, -1), +1)         ( ps: 这话什么意思?  没弄明白!!  )

label 或说是class, 就是你要分类的种类，通常是一些整数。

index 是有順序的索引，通常是连续的整数。

value 就是用来 train 的数据，通常是一堆实数。

 

2）对数据进行简单的缩放操作

扫描数据. 因为原始数据可能范围过大或过小,“svm-scale”可以先将数据重新scale (縮放) 到适当范围使训练与预测速度更快。

svm-scale 的使用示例：

./svm-scale -l 0 heart_origin > heart_scale

默认的归一化范围是[-1,1]，可以用参数-l和-u分别调整上界和下届, -l 0 是将范围改成了[0,1]. heart_origin是输入特征文件名; 输出的归一化特征文件名为heart_scale.

3）考虑选用RBF 核函数

训练数据形成模型（model）,实质是算出了wx+b=0中的w,b.

svm-train的用法：

./svm-train [options] training_set_file [model_file]

其中options涵义如下:

-s svm类型：设置SVM 类型，默认值为0，可选类型有：

0 -- C- SVC

1 -- nu - SVC

2 -- one-class-SVM

3 -- e - SVR

4 -- nu-SVR

-t 核函数类型：设置核函数类型，默认值为2，可选类型有：

0 -- 线性核：u'*v

1 -- 多项式核：(g*u'*v+ coef0)degree

2 -- RBF 核:exp(-||u-v||*||u-v||/g*g)

3 -- sigmoid 核：tanh(g*u'*v+ coef 0)

-d degree：核函数中的degree设置，默认值为3；

-g r(gama)：核函数中的函数设置(默认1/ k);

-r coef 0：设置核函数中的coef0，默认值为0；

-c cost：设置C- SVC、e - SVR、n - SVR中从惩罚系数C，默认值为1；

-n nu ：设置nu - SVC、one-class-SVM 与nu - SVR 中参数nu ，默认值0.5；

-p e ：核宽,设置e - SVR的损失函数中的e ，默认值为0.1；

-m cachesize：设置cache内存大小，以MB为单位(默认40)：

-e e ：设置终止准则中的可容忍偏差，默认值为0.001；

-h shrinking：是否使用启发式，可选值为0 或1，默认值为1；

-b 概率估计：是否计算SVC或SVR的概率估计，可选值0 或1，默认0；

-wi weight：对各类样本的惩罚系数C加权，默认值为1；

-v n：n折交叉验证模式。

其中-g选项中的k是指输入数据中的属性数。操作参数 -v 随机地将数据剖分为n 部分并计算交叉检验准确度和均方根误差。以上这些参数设置可以按照SVM 的类型和核函数所支持的参数进行任意组合，如果设置的参数在函数或SVM 类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。training_set_file是要进行训练的数据集；model_file是训练结束后产生的模型文件，该参数如果不设置将采用默认的文件名，也可以设置成自己惯用的文件名。

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。 此时需要安装好python3.2.1。进入/libsvm/tools目录下，用gedit或vim查看grid.py文件，找到其中关于gnuplot路径的那项（其默认路径为gnuplot_exe = "/usr/bin/gnuplot"），确认gnuplot可执行文件在/usr/bin/目录下存在，如果不在该路径下需要将这里的路径改成你的gnuplot所在的路径。

python grid.py的使用示例：

$ python grid.py heart_scale

屏幕最后显示：

2048.0 0.0001220703125 84.4444

可得到最优参数c=2048和g=0.0001220703125。

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

$./svm-train –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。

svm-train 的使用示例：

./svm-train -c 2048 -g 0.0001220703125 heart_scale heart_model

这里，heart_scale是前面由svm-scale生成的归一化特征文件名； heart_model是训练产生的模型文件名。

屏幕回显信息如下：

..*.*.*

optimization finished, #iter = 1046

nu = 0.363609

obj = -193311.629689, rho = 1.616976

nSV = 103, nBSV = 91

Total nSV = 103

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，？？？什么意思？！

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train_model，用gedit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 0.00012207    %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 103    %总共的支持向量个数

rho 1.61698    %决策函数中的常数项b

label 1 -1   %类别标签

nr_sv 51 52    %各类别标签对应的支持向量个数

SV    %以下为支持向量

2048 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

2048 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

2048 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

2048 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

2048 1:0.166667 2:1 3:0.333333 4:-0.358491 5:-0.52968 6:-1 7:1 8:0.206107 9:-1 10:-0.870968 12:-0.333333 13:1

. . . . . . . . .

6）利用获取的模型进行测试与预测

使用svm-train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。

$ svm-predict  test_file  model_file  output_file

svm-predict使用示例：

./ svm-predict heart_scale heart_model heart_predict

Accuracy = 85.1852% (230/270) (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安装成功。

因为这里的heart_scale文件已经是符合scale的数据文件，所以省略了svm-scale这一步，但实际操作中svm-scale是不可以省略的哦！不然预测结果会很糟糕滴~~

以下是操作过程及结果。。。

（1）不用交叉验证寻找最好的C和g而直接训练并预测的操作过程：

./svm-train heart_scale heart_model

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_model，进行预测：

./svm-predict heart_scale  heart_model  heart_predict

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

正确率为Accuracy = 86.6667%。

（2）经过交叉验证寻找到最佳C和g后再进行训练和预测的操作过程：

将heart_scale拷贝到python文件下，寻找最好的c和g。

./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 heart_model2

得到新的model后，由

./svm-predict heart_scale heart_model2 heart_predict2

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？？？怎么会这样？？！！c取2048明显有问题啊！！

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。

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

上面有几处标记了的地方还是没能弄明白，还有待继续学习~

要是哪位朋友知道是怎么回事儿的话，还请不吝赐教O(∩_∩)O哈! 小生万分感激~