基础实验见前一篇博文： SVM– pycharm中libsvm基础实验
参考文献：LibSVM for Python 使用
使用LibSVM
LibSVM的使用非常简单，只需调用有限的接口
示例1：
from libsvm322.python.svmutil import *
from libsvm322.python.svmutil import *
y, x =[1,-1],[{1:1,2:2},{1:1,2:0}]
prob = svm_problem(y, x)
param = svm_parameter('-t 0 -c 4 -b 1')
model = svm_train(prob, param)
yt = [1]
xt = [{1:2,2:3}]
p_label, p_acc, p_val = svm_predict(yt, xt, model)
print(p_label)输出结果：
*
optimization finished, #iter = 1
nu = 0.125000
obj = -0.500000, rho = 1.000000
nSV = 2, nBSV = 0
Total nSV = 2
Model supports probability estimates, but disabled in predicton.
Accuracy = 100% (1/1) (classification)
[1.0]LibSVM可以在文件中使用svm_read_problem读取训练数据，这样便于大规模数据的使用。
示例见上一篇博文SVM– pycharm中libsvm基础实验 中实验：
y,x = svm_read_problem('D:\javaTools\code\MachineLearning\libsvm-3.22\heart_scale')
m = svm_train(y[:200], x[:200], '-c 4')
print '----------------'
lable, acc, val = svm_predict(y[200:], x[200:], m)
可以看到输出：
optimization finished, #iter = 257
nu = 0.351161obj = -225.628984,
rho = 0.636110nSV = 91,
nBSV = 49Total nSV = 91
----------------
Accuracy = 84.2857% (59/70) (classification)
LibSVM接口
训练数据格式
libsvm的训练数据格式如下：
<label> <index1>:<value1> <index2>:<value2> ...或：
<label> <value1> <index2> ...主要类型
svm_problem
保存定义SVM模型的训练数据
svm_parameter
存储训练SVM模型所需的各种参数
svm_model
完成训练的SVM模型
svm_node
模型中一个特征的值，只包含一个整数索引和一个浮点值属性。
主要接口：
-svm_problem(y, x)
由训练数据y,x创建svm_problem对象
svm_train()
svm_train有3个重载：
model = svm_train(y, x [, 'training_options'])
model = svm_train(prob [, 'training_options'])
model = svm_train(prob, param)用于训练svm_model模型
如：
>>>y2,x2=[1,-1],[[1,2],[2,3]]
>>>model2=svm_train(y2,x2)
*optimization finished, #iter = 1
nu = 1.000000obj = -1.367879, rho = 0.000000
nSV = 2, nBSV = 2Total nSV = 2
>>> yt2,xt2=[1,1],[[1,2],[2,3]]
>>> v1,v2,v3=svm_predict(yt2,xt2,model2)
Accuracy = 50% (1/2) (classification)svm_parameter(cmd)
示例：
param = svm_parameter('-t 0 -c 4 -b 1')svm_predict()
调用语法：
p_labs, p_acc, p_vals = svm_predict(y, x, model [,'predicting_options'])参数：
y 测试数据的标签
x 测试数据的输入向量
model为训练好的SVM模型。
返回值：
p_labs是存储预测标签的列表。
p_acc存储了预测的精确度，均值和回归的平方相关系数。
p_vals在指定参数'-b 1'时将返回判定系数(判定的可靠程度)。
这个函数不仅是测试用的接口，也是应用状态下进行分类的接口。比较奇葩的是需要输入测试标签y才能进行预测，因为y不影响预测结果可以用0向量代替。
svm_read_problem
读取LibSVM格式的训练数据：
y, x = svm_read_problem('data.txt')svm_save_model
将训练好的svm_model存储到文件中：
svm_save_model('model_file', model)model_file的内容：
svm_type c_svc
kernel_type linear
nr_class 2
total_sv 2
rho 0
label 1 -1
probA 0.693147
probB 2.3919e-16
nr_sv 1 1
SV
0.25 1:1 2:1
-0.25 1:-1 2:-1 svm_load_model
读取存储在文件中的svm_model:
model = svm_load_model('model_file')调整SVM参数
LibSVM在训练和预测过程中需要一系列参数来调整控制。
svm_train的参数：
-sSVM的类型(svm_type)0 -- C-SVC(默认)
使用惩罚因子(Cost)的处理噪声的多分类器
1 -- nu-SVC(多分类器)
按照错误样本比例处理噪声的多分类器
2 -- one-class SVM
一类支持向量机，可参见"SVDD"的相关内容
3 -- epsilon-SVR(回归)
epsilon支持向量回归
4 -- nu-SVR(回归)
-t核函数类型(kernel_type)0 -- linear(线性核):
u'*v1 -- polynomial(多项式核):
(gamma*u'*v + coef0)^degree2 -- radial basis function(RBF,径向基核/高斯核):
exp(-gamma*|u-v|^2)3 -- sigmoid(S型核):
tanh(gamma*u'*v + coef0)4 -- precomputed kernel(预计算核)：
核矩阵存储在
training_set_file中
下面是调整SVM或核函数中参数的选项：
-d调整核函数的degree参数，默认为3-g调整核函数的gamma参数，默认为1/num_features-r调整核函数的coef0参数，默认为0-c调整C-SVC, epsilon-SVR 和 nu-SVR中的Cost参数，默认为1-n调整nu-SVC, one-class SVM 和 nu-SVR中的错误率nu参数，默认为0.5-p调整epsilon-SVR的loss function中的epsilon参数，默认0.1-m调整内缓冲区大小,以MB为单位，默认100-e调整终止判据，默认0.001-wi调整C-SVC中第i个特征的Cost参数
调整算法功能的选项：
-b是否估算正确概率,取值0 - 1，默认为0-h是否使用收缩启发式算法(shrinking heuristics),取值0 - 1，默认为0-v交叉校验-q静默模式