libsvm工具箱是工 官一款拥穿着向量机(SVM，Support Vector Machine）的具箱工具箱软件 ，而这款工具箱主要用于SVM模式识别与回归的工 官软件包 ，另外，具箱还能够拥穿着向量机源码，工 官软件具有简易、具箱荒野行动透视辅助易于使用等特点 ，工 官在解决小样本、具箱高维度及非线性的工 官分类尴尬中应用非常广泛，总体来会谈这款libsvm工具箱非常的具箱实用 ，广受用户好评
，工 官有需要的具箱挚友不妨下载试试吧 ！

软件功能

　　SVM(Support Vector Machine，工 官拥穿着向量机）是具箱一种有监督的机器学习计划 ，可以学习不同类别的工 官已知样本的特点，进而对未知的样本铺开预测 。

　　SVM本质上是一个二分类的算法 ，对于n维空间的输入样本，它碰见一个最优的分类超平面，使得两类样本在这个超平面下可以得到最好的分类效果。这个最优可以用两类样本中与这个超平面距离最近的点的距离来衡量 ，称为边缘距离
，边缘距离越大，荒野行动挂锁头透视教程两类样本分得越开，SVM就是碰见最大边缘距离的超平面，这个可以通过求解一个以超平面参数为求解变量的优化尴尬得到解决 。给定适当的约束条件 ，这是一个二次优化尴尬，可以通过用KKT条件求解对偶尴尬等计划铺开求解。

　　对于不是线性可分的尴尬
，就不能通过碰见最优分类超平面铺开分类，SVM这时通过把n维空间的样本映射到更高维的空间中
，使得在高维的空间上样本是线性可分的。在实际的算法中，SVM不需要真正地铺开样本点的映射，因为算法中涉及到的高维空间的计算总是以内积的形式裸露，而高维空间的内积可以通过在原本n维空间中求内积然后再铺开一个变换得到
，这里计算两个向量在隐式地映射到高维空间的内积的函数就叫做核函数 。SVM根据尴尬性质和数据规模的不同可以选择不同的核函数
。

　　虽然SVM本质上是二分类的分类器，但是可以扩展成多分类的分类器，常见的计划有一对多（one-versus-rest）和一对一（one-versus-one）。在一对多计划中，训练时依次把k类样本中的某个类别归为一类 
，其它剩下的各种游戏挂的网站归为另一类，使用二分类的SVM训练处一个二分类器，最后把得到的k个二分类器组成k分类器。对未知样本分类时，分别用这k个二分类器铺开分类，将分类结果中裸露最多的那个类别作为最终的分类结果
。而一对一计划中 ，训练时对于任意两类样本城市训练一个二分类器 ，最终得到k*(k-1)/2个二分类器
，共同组成k分类器。对未知样本分类时，使用所有的k*(k-1)/2个分类器铺开分类，将裸露最多的那个类别作为该样本最终的分类结果。

　　LIBSVM中的多分类就是根据一对一的计划实现的。

软件特色

　　不同的SVM制剂

　　高效多类分类

　　模型选择的交叉验证

　　概率估计

　　各种内核（包括预计算内核矩阵）

　　用于不平衡数据的加权SVM

　　C ++和Java源代码

　　GUI显示SVM分类和回归

　　Python， R，MATLAB， Perl ， Ruby ， Weka， Common LISP  ， CLISP， Haskell
 ，荒野行动怎么开挂 OCaml ， LabVIEW和 PHP 界面
。C＃.NET代码和CUDA扩展可用 。

　　它还包括在一些数据挖掘环境中： RapidMiner， PCP和 LIONsolver 。

　　自动模型选择可以裸露交叉验证精度的轮廓。

安装计划

　　1. 下载

　　在本站下载并解压软件。

　　2. 编译

　　如果你使用的是64位的操作的系统和Matlab，那么不需要铺开编译步骤 ，因为自带软件包中已经包含有64位编译好的版本：libsvmread.mexw64 、libsvmwrite.mexw64 、svmtrain.mexw64、svmpredict.mexw64 。否则 ，需要自己编译二进制文件 。

　　首先在Mtlab中进入LIBSVM根目录下的matlab目录（如C:libsvm-3.17matlab） ，在命令窗口输入

　　>>mex –setup

　　然后Matlab会提示你选择编译mex文件的C/C++编译器 ，就选择一个已安装的编译器
，如Microsoft Visual C++ 2010。之后Matlab会提示确认选择的编译器
，输入y铺开确认 。

　　然后可以输入以下命令铺开编译。996通用脚本免费挂机

　　>>make

　　注意，Matlab或VC版本过低可能会导致编译出局 ，建议使用最新的版本。

　　编译大捷后 ，当前目录下会裸露若干个后缀为mexw64（64位系统）或mexw32（32位系统）的文件
。

　　3. 重命名（可选，但建议执行）

　　编译落成后 ，在当前目录下回裸露svmtrain.mexw64
 、svmpredict.mexw64（64位系统）或者svmtrain.mexw32
、svmpredict.mexw32（32位系统）这两个文件 ，把文件名svmtrain和svmpredict相应改成libsvmtrain和libsvmpredict。

　　这是因为Matlab中自带有SVM的工具箱 ，而且其函数名字就是svmtrain和svmpredict ，和LIBSVM默认的名字一样，在实际使用的时候有时会裸露一定的尴尬 ，比如想调用LIBSVM的变成了调用Matlab SVM
。

　　如果有铺开重命名的，以后使用LIBSVM时一律使用libsvmtrain和libsvmpredict这两个名字铺开调用  。

　　4. 增补路径

　　为了以后使用的方便
 ，建议把LIBSVM的编译好的文件所在路径（如C:libsvm-3.17matlab）增补到Matlab的碰见路径中 。具体操作为：（中文版Matlab对应铺开）

　　HOME -> Set Path -> Add Folder -> 加入编译好的文件所在的路径（如C:libsvm-3.17matlab）

　　当然也可以把那4个编译好的文件复制到想要的地方，然后再把该路径增补到Matlab的红手指脚本辅助工具碰见路径中。

　　二 测试

　　LIBSVM软件包中自带有测试数据 ，为软件包根目录下的heart_scale文件，可以用来测试LIBSVM是否安装大捷。这里的heart_scale文件不能用Matlab的load铺开读取，需要使用libsvmread读取  。

　　进入LIBSVM的根目录运行以下代码（因为heart_scale文件没有被增补进碰见路径中 ，其他路径下无法访问这个文件）：

　　[heart_scale_label, heart_scale_inst] = libsvmread(heart_scale);

　　model = libsvmtrain(heart_scale_label, heart_scale_inst, -c 1 -g 0.07);

　　[predict_label, accuracy, dec_values] = libsvmpredict(heart_scale_label, heart_scale_inst, model);

　　如果LIBSVM安装正确的话
，会裸露以下的运行结果，显示正确率为86.6667%。

　　optimization finished, #iter = 134

　　nu = 0.433785

　　obj = -101.855060, rho = 0.426412

　　nSV = 130, nBSV = 107

　　Total nSV = 130

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

使用计划

　　关于LIBSVM在Matlab中的使用，可以参校验软件包中matlab目录下的README文件 ，这里对里面内容做一个翻译和一些细节的会谈解
。

　　1. 训练

　　libsvm函数用于对训练集的数据铺开训练，得到训练好的模型
。

　　model = libsvmtrain(training_label_vector, training_instance_matrix [, libsvm_options]);

　　这个函数有三个参数，其中

　　-training_label_vector:训练样本的类标，如果有m个样本 ，就是m x 1的矩阵（类型必须为double） 。这里可以是二分类和多分类，类标是（-1,1）、（1,2,3）或者其他任意用来表示不同的类别的数字，要转成double类型 。免费自动挂机脚本软件

　　-training_instance_matrix:训练样本的特征  ，如果有m个样本  ，每个样本特征是n维，则为m x n的矩阵（类型必须为double）。

　　-libsvm_options:训练的参数，在第3点详细介绍。

　　2. 预测

　　libpredict函数用于对测试集的数据铺开测试，还能对未知样本铺开预测 。

　　[predicted_label, accuracy, decision_values/prob_estimates]

　　= libsvmpredict(testing_label_vector, testing_instance_matrix, model [, libsvm_options]);

　　这个函数包括四个参数
，其中

　　-testing_label_vector:测试样本的类标，如果有m个样本，就是m x 1的矩阵（类型必须为double） 。如果类标未知，可以初始化为任意m x 1的double数组 。

　　-testing_instance_matrix:测试样本的特征，如果有m个样本 ，每个样本特征是n维，则为m x n的矩阵（类型必须为double）
。

　　-model:使用libsvmtrain返回的模型

　　-libsvm_options:预测的参数 ，与训练的参数形式一样。

　　3. 训练的参数

　　LIBSVM训练时可以选择的参数很多，包括：

　　-s svm类型  ：SVM设置类型（默认0)

　　0 — C-SVC； 1 –v-SVC； 2 – 一类SVM； 3 — e-SVR； 4 — v-SVR

　　-t 核函数类型：核函数设置类型（默认2）

　　0 – 线性核函数：u‘v

　　1 – 多项式核函数 ：（r*u‘v + coef0)^degree

　　2 – RBF(径向基)核函数
：exp(-r|u-v|^2）

　　3 – sigmoid核函数
：tanh(r*u‘v + coef0)

　　-d degree：核函数中的荒野行动脚本degree设置（针对多项式核函数）（默认3）

　　-g r(gamma）：核函数中的gamma函数设置（针对多项式/rbf/sigmoid核函数）（默认1/k，k为总类别数)

　　-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）

　　-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交互检验模式，n为fold的个数，必须大于等于2

　　以上这些参数设置可以按照SVM的类型和核函数所拥穿着的参数铺开任意组合 ，如果设置的参数在函数或SVM类型中没有也不会裸露影响，程序不会收受该参数；如果应有的参数设置不正确，参数将采用默认值。

　　4. 训练返回的内容

　　libsvmtrain函数返回训练好的SVM分类器模型
，可以用来对未知的样本铺开预测。这个模型是一个结构体，包含以下成员：

　　-Parameters: 一个5 x 1的矩阵  ，从上到下依次表示 ：

　　-s SVM类型（默认0）；

　　-t 核函数类型（默认2）

　　-d 核函数中的degree设置(针对多项式核函数)(默认3)；

　　-g 核函数中的r(gamma）函数设置(针对多项式/rbf/sigmoid核函数) (默认类别数目的倒数)；

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

　　-nr_class: 表示数据集中有多少类别 ，比如二分类时这个值即为2。

　　-totalSV: 表示拥穿着向量的总数。

　　-rho: 决策函数wx+b中的常数项的相反数（-b）。

　　-Label: 表示数据集中类别的标签，比如二分类常见的1和-1。

　　-ProbA: 使用-b参数时用于概率估计的数值
，否则为空 。幽灵行动荒野正在运行安装脚本

　　-ProbB: 使用-b参数时用于概率估计的数值，否则为空。

　　-nSV: 表示每类样本的拥穿着向量的数目，和Label的类别标签对应。如Label=[1; -1],nSV=[63; 67]，则标签为1的样本有63个拥穿着向量，标签为-1的有67个。

　　-sv_coef: 表示每个拥穿着向量在决策函数中的系数。

　　-SVs: 表示所有的拥穿着向量 ，如果特征是n维的，拥穿着向量一共有m个
，则为m x n的稀疏矩阵。

　　另外，如果在训练中使用了-v参数铺开交叉验证时 ，返回的不是一个模型，而是交叉验证的分类的正确率或者回归的均方根误差。

　　5. 预测返回的内容

　　libsvmtrain函数有三个返回值  ，不需要的值在Matlab可以用~铺开代替 。

　　-predicted_label：第一个返回值 
，表示样本的预测类标号 。

　　-accuracy：第二个返回值，一个3 x 1的幽灵行动荒野ce脚本数组 ，表示分类的正确率、回归的均方根误差、回归的平方相关系数。

　　-decision_values/prob_estimates ：第三个返回值 ，一个矩阵包含决策的值或者概率估计。对于n个预测样本、k类的尴尬，如果指定“-b 1”参数，则n x k的矩阵 ，每一行表示这个样本分别属于每一个类别的概率；如果没有指定“-b 1”参数 ，则为n x k*(k-1)/2的矩阵 ，每一行表示k(k-1)/2个二分类SVM的预测结果  。

　　6. 读取或保存

　　libsvmread函数可以读取以LIBSVM格式存储的数据文件。

　　[label_vector, instance_matrix] = libsvmread(‘data.txt‘);

　　这个函数输入的是文件的名字，输出为样本的类标和对应的特征。

　　libsvmwrite函数可以把Matlab的矩阵存储称为LIBSVM格式的文件。

　　libsvmwrite(‘data.txt‘, label_vector, instance_matrix]

　　这个函数有三个输入，分别为保存的文件名 、样本的类标和对应的特征（必须为double类型的稀疏矩阵） 。