? 1. 把LibSVM包解壓到相應(yīng)的目錄（因為我只需要里面windows文件夾中的東東，我們也可以只把windows文件夾拷到相應(yīng)的目錄），比如D:/libsvm。

?

?????? 2. 在電腦“開始”的“運行”中輸入cmd，進入DOS環(huán)境。定位到d:/ libsvm下，具體命令如下:

??????????

?????????? d: (回車)

???????? cd /libsvm/windows (回車)

?????????

?????????? (上面第一行是先定位到盤符d，第二行cd 是定位到相應(yīng)盤符下的目錄)

?

?????? 3. 進行l(wèi)ibsvm訓(xùn)練，輸入命令：(這里要注意文件的名字，2.89以前版本都是svmtrain.exe)

?????????

????????? svm-train heart_scale train.model

?

?????????? heart_scale ——是目錄下的已經(jīng)存在的樣本文件，要換成自己的文件，只需改成自己的文件名就可以了

???????? train.model ——是創(chuàng)建的結(jié)果文件，保存了訓(xùn)練后的結(jié)果

?

???????

?? 可以看到結(jié)果：

???? *

optimization finished, #iter = 162

nu = 0.431029

obj = -100.877288, rho = 0.424462

nSV = 132, nBSV = 107

????? Total nSV = 132

?

?????? 其中，#iter為迭代次數(shù)，nu 是你選擇的核函數(shù)類型的參數(shù)，obj為SVM文件轉(zhuǎn)換為的二次規(guī)劃求解得到的最小值，rho為判決函數(shù)的偏置項b，nSV 為標(biāo)準(zhǔn)支持向量個數(shù)(0<a[i]<c)，nBSV為邊界上的支持向量個數(shù)(a[i]=c)，Total nSV為支持向量總個數(shù)（對于兩類來說，因為只有一個分類模型Total nSV = nSV，但是對于多類，這個是各個分類模型的nSV之和）。

?

?

??? 在目錄下，還可以看到產(chǎn)生了一個train.model文件，可以用記事本打開，記錄了訓(xùn)練后的結(jié)果。

????????? svm_type c_svc???????????????????? //所選擇的svm類型，默認(rèn)為c_svc

????????? kernel_type rbf?????????????????????? //訓(xùn)練采用的核函數(shù)類型，此處為RBF核

????????? gamma 0.0769231?????????????????? //RBF核的參數(shù)γ

????????? nr_class 2?????????????????????????????? //類別數(shù)，此處為兩分類問題

????????? total_sv 132?????????????????????????? //支持向量總個數(shù)

????????? rho 0.424462????????????????????????? //判決函數(shù)的偏置項b

????????? label 1 -1???????????????????????????????? //原始文件中的類別標(biāo)識

????????? nr_sv 64 68?????????????????????????? //每個類的支持向量機的個數(shù)

????????? SV????????????????????????????????????????? //以下為各個類的權(quán)系數(shù)及相應(yīng)的支持向量

?? 1 1:0.166667 2:1 3:-0.333333 … 10:-0.903226 11:-1 12:-1 13:1

?? 0.5104832128985164 1:0.125 2:1 3:0.333333 … 10:-0.806452 12:-0.333333 13:0.5

?? ………..

?? -1 1:-0.375 2:1 3:-0.333333…. 10:-1 11:-1 12:-1 13:1

???????? -1 1:0.166667 2:1 3:1 …. 10:-0.870968 12:-1 13:0.5

?

??? 到現(xiàn)在，第一次體驗libsvm到這就基本結(jié)束了，其他的兩個(svm-predict、svm-scale)的使用過程類似。怎么樣，挺爽的吧。對于個別參數(shù)你還不理解，沒關(guān)系，下面我們會具體講到。

本文來自CSDN博客，轉(zhuǎn)載請標(biāo)明出處：http://blog.csdn.net/flydreamGG/archive/2009/08/20/4466059.aspx

總結(jié)

以上是生活随笔為你收集整理的LibSVM学习（二）——第一次体验libSvm的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。