Libsvm使用笔记【matlab】

根据以下教程配置：

(1038条消息) LIBSVM_繁拾简忆的博客-CSDN博客https://blog.csdn.net/u014772862/category_6280683.html

目录：

一、libsvm使用

 二、libsvm使用规范（四个函数）

1. libSVM的数据格式

2. svmscale的用法

3. svmtrain的用法

4. svmpredict的用法

三、代码详细流程

I. 清空环境变量

II. 导入数据

III. 数据归一化

IV. SVM创建/训练(RBF核函数)

V. SVM仿真测试

 VI. 绘图

---

一、libsvm使用

Libsvm 使用步骤：
1. 按照libsvm要求的数据格式，将要训练和预测的数据准备好；http://blog.csdn.net/u014772862/article/details/51828981
2. 使用svm-scale实现数据缩放，可有可没有，需要按照特征的相关性进行操作；
3. 考虑svm-train时是否使用核函数以及核函数的选择，建议首先考虑RBF核函数；
4. 采用grid.py选择最优参数c和g；http://blog.csdn.net/u014772862/article/details/51829727
5. 设置svm-train参数，对整个数据集训练获取svm模型；
6. 利用svm-predict加载训练好的模型进行测试与预测。
 

 二、libsvm使用规范（四个函数）

(1039条消息) LIBSVM学习（七）--参数解释_繁拾简忆的博客-CSDN博客_heart_scale.rangehttps://blog.csdn.net/u014772862/article/details/51873590

2.89版本以前，都是svmscale、svmtrain和svmpredict

最新的是svm-scale、svm-train和svm-predict

1. libSVM的数据格式

Label 1:value 2:value ….

Label：是类别的标识，比如上节train.model中提到的1 -1，你可以自己随意定，比如-10，0，15。当然，如果是回归，这是目标值，就要实事求是了。

Value：就是要训练的数据，从分类的角度来说就是特征值，数据之间用空格隔开

比如: -15 1:0.708 2:1056 3:-0.3333

需要注意的是，如果特征值为0，特征冒号前面的(姑且称做序号)可以不连续。如：

-15 1:0.708 3:-0.3333

表明第2个特征值为0，从编程的角度来说，这样做可以减少内存的使用，并提高做矩阵内积时的运算速度。我们平时在matlab中产生的数据都是没有序号的常规矩阵，所以为了方便最好编一个程序进行转化。

2. svmscale的用法

svmscale是用来对原始样本进行缩放的，范围可以自己定，一般是[0,1]或[-1,1]。缩放的目的主要是

1）防止某个特征过大或过小，从而在训练中起的作用不平衡；

2）为了计算速度。因为在核计算中，会用到内积运算或exp运算，不平衡的数据可能造成计算困难。

用法：

svmscale [-l lower] [-u upper]

[-y y_lower y_upper]

[-s save_filename]

[-r restore_filename] filename

其中，[]中都是可选项：

      -l：设定数据下限；lower：设定的数据下限值，缺省为-1

     -u：设定数据上限；upper：设定的数据上限值，缺省为 1

     -y：是否对目标值同时进行缩放；y_lower为下限值，y_upper为上限值；

     -s save_filename：表示将缩放的规则保存为文件save_filename；

     -r restore_filename：表示将按照已经存在的规则文件restore_filename进行缩放；

      filename：待缩放的数据文件，文件格式按照libsvm格式。

默认情况下，只需要输入要缩放的文件名就可以了：比如(已经存在的文件为test.txt)

svmscale test.txt

这时，test.txt中的数据已经变成[-1,1]之间的数据了。但是，这样原来的数据就被覆盖了，为了让规划好的数据另存为其他的文件，我们用一个dos的重定向符 > 来另存为(假设为out.txt)：

     svmscale test.txt > out.txt

运行后，我们就可以看到目录下多了一个out.txt文件，那就是规范后的数据。假如，我们想设定数据范围[0,1]，并把规则保存为test.range文件:

svmscale –l 0 –u 1 –s test.range test.txt > out.txt

这时，目录下又多了一个test.range文件，可以用记事本打开，下次就可以用-r test.range来载入了。

3. svmtrain的用法

svmtrain我们在前面已经接触过，他主要实现对训练数据集的训练，并可以获得SVM模型。

用法： svmtrain [options] training_set_file [model_file]

其中，options为操作参数，可用的选项即表示的涵义如下所示:

-s设置svm类型：

0 – C-SVC

1 – v-SVC

2 – one-class-SVM

3 –ε-SVR

4 – n - SVR

-t设置核函数类型，默认值为2

0 --线性核：u'*v

1 --多项式核：(g*u'*v+coef0)degree

2 -- RBF核：exp(-γ*||u-v||2)

3 -- sigmoid核：tanh(γ*u'*v+coef0)

-d degree:设置多项式核中degree的值，默认为3

-gγ:设置核函数中γ的值，默认为1/k，k为特征（或者说是属性）数；

-r coef 0:设置核函数中的coef 0，默认值为0；

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

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

-pε：设置v-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，默认值为40；

-eε：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；

model_file：可选项，为要保存的结果文件，称为模型文件，以便在预测时使用。

默认情况下，只需要给函数提供一个样本文件名就可以了，但为了能保存结果，还是要提供一个结果文件名，比如:test.model,则命令为：

svmtrain test.txt test.model

4. svmpredict的用法

svmpredict是根据训练获得的模型，对数据集合进行预测。

用法：svmpredict [options] test_file model_file output_file

其中，

options为操作参数，可用的选项即表示的涵义如下所示:

-b probability_estimates——是否需要进行概率估计预测，可选值为0或者1，默认值为0。

model_file ——是由svmtrain产生的模型文件；

test_file——是要进行预测的数据文件，格式也要符合libsvm格式，即使不知道label的值，也要任意填一个，svmpredict会在output_file中给出正确的label结果，如果知道label的值，就会输出正确率；

output_file ——是svmpredict的输出文件，表示预测的结果值。

至此，主要的几个接口已经讲完了，满足一般的应用不成问题。对于要做研究的，还需要深入到svm.cpp文件内部，看看都做了什么。

三、代码详细流程

• I. 清空环境变量
• II. 导入数据
• III. 数据归一化
• IV. SVM创建/训练(RBF核函数)
• V. SVM仿真测试
• VI. 绘图

I. 清空环境变量

clear all
clc

II. 导入数据

load BreastTissue_data.mat

1.        随机产生训练集和测试集

n = randperm(size(matrix,1));

2.        训练集——80个样本

train_matrix = matrix(n(1:80),:);
train_label = label(n(1:80),:);

3.        测试集——26个样本

test_matrix = matrix(n(81:end),:);
test_label = label(n(81:end),:);

III. 数据归一化

%% III. 数据归一化
[Train_matrix,PS] = mapminmax(train_matrix');
Train_matrix = Train_matrix';
Test_matrix = mapminmax('apply',test_matrix',PS);
Test_matrix = Test_matrix';

IV. SVM创建/训练(RBF核函数)

这里使用的是交叉验证的方法 选出等距的多种c和g训练找到最合适的c和g，如果训练时间较长可以直接输入参数，跳过这一步

cmd = ' -t 2 -c 42.2243 -g 2.639' 

 参数设置：

SVM的主要思想是建立一个超平面作为决策曲面，使得正例和反例之间的距离边缘被最大化（其实，SVC与SVR在一定意义上，思想是完全统一的，都是最大化间隔，使得各自的损失函数值最小）SVM相对于目前相对较火的人工神经网络来讲，具有一定的优点，其中最为重要的是SVM获得模型理论上是全局最优的。而且，支持向量机复杂度与样本特征维度无关。

下面，简单记录一下学习使用libsvm过程中的第一步，了解各个参数的意义：

-s 选择SVM的类型

-d degree：     核函数中的degree设置(针对多项式核函数)(默认3)

-g r(gama)：    核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)(默认1/ k)

-r coef0：        核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)

-c cost：          设置C-SVC，e -SVR和v-SVR的参数(损失函数)(默认1) 一般可以选择10^t, t=-4, -3,…, 3, 4, 惩罚

过大容易造成过拟合

-n nu：            设置v-SVC，一类SVM和v- SVR的参数(默认0.5)

-p p：              设置e -SVR 中损失函数p的值(默认0.1)

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

-e eps：           设置允许的终止判据(默认0.001)

-h shrinking：  是否使用启发式，0或1(默认1)

-wi weight：    设置第几类的参数C为weight*C(C-SVC中的C)(默认1)

-v n:                 n-fold交叉检验模式，n为fold的个数，必须大于等于2

[c,g] = meshgrid(-10:0.2:10,-10:0.2:10);
[m,n] = size(c);
cg = zeros(m,n);
eps = 10^(-4);
v = 5;
bestc = 1;
bestg = 0.1;
bestacc = 0;
for i = 1:m
    for j = 1:n
        cmd = ['-v ',num2str(v),' -t 2',' -c ',num2str(2^c(i,j)),' -g ',num2str(2^g(i,j))];
        cg(i,j) = svmtrain(train_label,Train_matrix,cmd);
        if cg(i,j) > bestacc
            bestacc = cg(i,j);
            bestc = 2^c(i,j);
            bestg = 2^g(i,j);
        end
        if abs( cg(i,j)-bestacc )<=eps && bestc > 2^c(i,j)
            bestacc = cg(i,j);
            bestc = 2^c(i,j);
            bestg = 2^g(i,j);
        end
    end
end
cmd = [' -t 2',' -c ',num2str(bestc),' -g ',num2str(bestg)];

创建/训练SVM模型

model = svmtrain(train_label,Train_matrix,cmd);

V. SVM仿真测试

注意一定要 传入3个参数而不是两个， 且 测试lable 是m1的矩阵， 测试矩阵是mn的矩阵 m为样本个数， n为特征个数

[predict_label_1,accuracy_1,prob_estimates] = svmpredict(train_label,Train_matrix,model);
[predict_label_2,accuracy_2,prob_estimates2] = svmpredict(test_label,Test_matrix,model);
result_1 = [train_label predict_label_1];
result_2 = [test_label predict_label_2];

结果如下

 VI. 绘图

figure
plot(1:length(test_label),test_label,'r-*')
hold on
plot(1:length(test_label),predict_label_2,'b:o')
grid on
legend('真实类别','预测类别')
xlabel('测试集样本编号')
ylabel('测试集样本类别')
string = {'测试集SVM预测结果对比(RBF核函数)';
          ['accuracy = ' num2str(accuracy_2(1)) '%']};
title(string)