目录

一、LIBSVM

二、LIBSVM的下载及安装

 三、基于LIBSVM处理手工生成数据集

1. 启动LIBSVM

2. 手工绘制数据集

 3. 利用LIBSVM训练模型并求出决策函数

 四、总结

五 参考链接

---

一、LIBSVM

 这是一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数可以解决很多问题；并提供了交互检验(Cross Validation)的功能。该软件可以解决C-SVM、ν-SVM、ε-SVR和ν-SVR等问题，包括基于一对一算法的多类模式识别问题。

二、LIBSVM的下载及安装

下载地址：

LIBSVM -- A Library for Support Vector Machines

将下载的压缩文件解压即可：

 三、基于LIBSVM处理手工生成数据集

1. 启动LIBSVM

点击解压文件夹下的windows文件夹，在文件夹中找到名为svm-toy.exe的运行程序并运行

 

 

 

2. 手工绘制数据集

点击鼠标左键可进行描点

 点击Change切换颜色，再描一组点

 点击Save将数据保存为test作为训练集

 

 再设置一组数据作为测试集

 3. 利用LIBSVM训练模型并求出决策函数

导入库：
 

from libsvm.svmutil import *
from libsvm.svm import *
import scipy.spatial

数据导入：

label,data= svm_read_problem('test.txt')#训练数据
p_label,p_data=svm_read_problem('test1.txt')#测试数据

使用线性核训练模型

para ='-t 0 -c 4 -b 1' #训练参数
model=svm_train(label,data,para)
svm_save_model('model1.txt',model)
acc=svm_predict(p_label,p_data,model)

运行结果：

 模型参数及结果：

 使用多项式核训练模型

para ='-t 1 -c 4 -b 1' #训练参数
#多项式核
model=svm_train(label,data,para)
svm_save_model('model2.txt',model)
acc=svm_predict(p_label,p_data,model)

运行结果：

 模型参数及结果：

 使用高斯核训练模型

para ='-t 2 -c 4 -b 1'#训练参数
model=svm_train(label,data,para)
svm_save_model('model3.txt',model)
acc=svm_predict(p_label,p_data,model)

运行结果：

 模型参数及结果

 四、总结

SVM用于模式识别或回归时，SVM方法及其参数、核函数及其参数的选择，也就是说最优SVM算法参数选择还只能是凭借经验、实验对比、大范围的搜寻或者利用软件包提供的交互检验功能进行寻优。

五 参考链接

https://blog.csdn.net/YangMax1/article/details/121374574