您的位置： >
> libsvm(SVM模式识别与回归的软件包) v3.22最新版
libsvm(SVM模式识别与回归的软件包) v3.22最新版
软件大小：775K
软件语言：简体中文
软件类型：国产软件
软件授权：共享软件
更新时间：
软件类别：程序源码
软件官网：http://www.csie.ntu.edu.tw
应用平台：Windows10, Windows8, Windows7, WinVista, WinXP
网友评分：6分
libsvm是由台湾大学林智仁(Lin Chih-Jen)教授开发的一款简单易用、快速有效的SVM模式识别与回归的软件包。这套库运算速度还是挺快的，可以很方便的对数据做分类或回归。由于libSVM程序小，运用灵活，输入参数少，并且是开源的，易于扩展，因此成为目前国内应用最多的SVM的库。libsvm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；libsvm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，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。为了方便大家体验，多多小编为大家提供最新版的libsvm程序下载，该软件包以源代码和可执行文件两种方式给出的。如果是Windows系列操作系统，可以直接使用软件包提供的程序，也可以进行修改编译；如果是Unix类系统，必须自己编译，软件包中提供了编译格式文件，在SGI工作站（操作系统IRⅨ6.5）上，使用免费编译器GNU C++3.3编译通过，有需求的朋友请下载使用。libsvm软件包介绍下载软件压缩包，解压，可以看到libsvm可分为5个文件夹和一些c++源码文件，其详细说明如下：1、Java——主要是应用于java平台；2、Python——是用来参数优选的工具，稍后介绍；3、svm-toy——一个可视化的工具，用来展示训练数据和分类界面，里面是源码，其编译后的程序在windows文件夹下；4、tools——主要包含四个python文件，用来数据集抽样(subset)，参数优选（grid），集成测试(easy),数据检查(checkdata)；5、windows——包含libSVM四个exe程序包，我们所用的库就是他们，里面还有个heart_scale，是一个样本文件，可以用记事本打开，用来测试用的。6、其他.h和.cpp文件都是程序的源码，可以编译出相应的.exe文件。其中，最重要的是svm.h和svm.cpp文件，svm-predict.c、svm-scale.c和svm-train.c（还有一个svm-toy.c在svm-toy文件夹中）都是调用的这个文件中的接口函数，编译后就是windows下相应的四个exe程序。7、另外，里面的 README 跟 FAQ也是很好的文件，对于初学者如果E文过得去，可以看一下。libsvm在windows操作系统中使用教程把LibSVM包解压到相应的目录（因为只需要里面windows文件夹中的文件，所以可以只把windows文件夹拷到相应的目录即可）进入libsvm\windows，可以看到这几个exe文件：①svm-predict: svmpredict
output_file
依照已经train好的model ，输入新的数据，并输出预测新数据的类别。②svm-scale：有时候特征值的波动范围比较大需要对特征数据进行缩放，可以缩放到0--1之间（自己定义）。③svm-toy：似乎是图形界面，可以自己画点，产生数据等。④svm-train：svmtrain
train_file
[model_file]
train 会接受特定格式的输入，产生一个model 文件。1、可以自己生成数据，使用svm-toy：①双击svm-toy，点击change可以在画布上画点：②点击run。其实就是train的过程，划分的区域：③点击save可以保存数据。2、使用训练数据libsvm.txt进行建模，使用svm-train：①使用cmd命令进入到我们解压的libsvm目录中的windows目录，使用svm-train，如下：其中：#iter为迭代次数，nu 是你选择的核函数类型的参数，obj为SVM文件转换为的二次规划求解得到的最小值，rho为判决函数的偏置项b；nSV 为标准支持向量个数(0&a[i]&c)；nBSV为边界上的支持向量个数(a[i]=c)；Total nSV为支持向量总个数（对于两类来说，因为只有一个分类模型Total nSV = nSV，但是对于多类，这个是各个分类模型的nSV之和同时在该目录下会生成一个训练好的model（libsvm.txt.model）可以打开文件查看里面的内容，主要包括一些参数和支持向量等3、使用建好的model进行预测，使用svm-predict同时会生成一个输出文件（libsvm.txt.out），每行代表该行的预测值类别。libsvm参数优化1、svm的参数优化很重要，libsvm包里面包含了参数的优化函数，主要是暴力求解参数。一般来说我们会使用高斯核函数，包含两个参数（c 和 g）使用gird.py文件进行参数优化选择:grid.py在libsvm/tools里面，首先需要修改gird.py中的gnuplot文件路径问题，把文件里的路径改成gnuplot 存放的目录：2、进入grid.py的相应目录，执行grid.py D://libsvm.txt3、前面两个分别是c 跟g的值，这时候我们重新训练模型（加上参数c g）4、可以看到，准确率有了显著的提升， 其实这些步骤完全可以使用easy.py进行实现，同理也需要修改eays.py里面的gnuplot文件路径问题，把文件里的路径改成gnuplot 存放的目录：
libsvm(SVM模式识别与回归的软件包) v3.22最新版
高速下载通道
其它下载地址
感谢您对多多软件站的信任,请把这份信任分享给您的朋友!
您的评论需要经过审核才能显示！
软件排行榜
63.8M / 英文 /5.9分
1.52M / 简体中文 /8分
3.27M / 简体中文 /6分
22.7M / 简体中文 /8.2分
19.4M / 简体中文 /4.3分
16.8M / 简体中文 /8.3分
6.6M / 简体中文 /8.6分
13.8M / 简体中文 /7.1分
6.76M / 简体中文 /7.9分
12.9M / 简体中文 /7.6分
Copyright (C)
. All rights reserved.libsvm学习(一) - bos274km - ITeye博客
博客分类：
libsvm学习(一)
日
　　（记录下过程，以备使用的时候查阅）
　　一、所需三个软件：
　　python3.1.2 下载链接：http://www.python.org/ftp/python/3.1.2/
　　libsvm2.9 下载链接：http://download.csdn.net/download/phoeni_seu/279;
　　gnuplot软件&& 下载链接：http://www.mirrorservice.org/sites/download.sourceforge.net/pub/sourceforge/g/project/gn/gnuplot/gnuplot/4.2.3/
　　python需要安装，其他两个解压即可使用。当然亦可以选择java、VC环境。
　　二、一般过程
　　LibSVM&& 使用的一般步骤是：&
　　1& ）按照& LIBSVM& 软件包所要求的格式准备数据集；&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
　　2& ）对数据进行简单的缩放操作；&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
　　3& ）首要考虑选用& RBF&& 核函数；&
　　4& ）采用交叉验证选择最佳参数& C& 与& g&& ；&
　　5& ）采用最佳参数& C& 与& g&& 对整个训练集进行训练获取支持向量机模型；&
　　6& ）利用获取的模型进行测试与预测。&
　　三、注意事项
　　1、LibSVM的输入有格式要求，可以按照格式要求编写程序实现，也可以参考http://download.csdn.net/detail/dadaadao/1571409  在excel中直接生成libsvm所用格式数据。
　　2、配置
　　修改easy.py和grid.py最上方两行有关libsvm、python和gnuplot的路径的代码。其中，svmpath 代表 svmscale.exe、svmtrain.exe 等可执行文件的路径，pythonpath 代表easy.py和grid.py等脚本文件路径，gnuplotpath 代表 pgnuplot.exe 的路径。
　　这里，我把easy.py和grid.py复制到\libsvm-2.9\python下，然后修改这两个文件中的路径代码(记得用绝对路径，也可以设置成环境变量后使用相对路径)，如下：
　　//easy.py修改
　　else:
　　# example for windows
　　svmscale_exe = r"d:\libsvm-2.9\windows\svm-scale.exe"
　　svmtrain_exe = r"d:\libsvm-2.9\windows\svm-train.exe"
　　svmpredict_exe = r"d:\libsvm-2.9\windows\svm-predict.exe"
　　gnuplot_exe = r"d:\gnuplot\bin\pgnuplot.exe"
　　grid_py = r"d:\libsvm-2.9\python\grid.py"
　　//grid.py修改
　　else:
　　# example for windows
　　svmtrain_exe = r"d:\libsvm-2.9\windows\svm-train.exe"
　　gnuplot_exe = r"d:\gnuplot\bin\pgnuplot.exe"
　　四、至此环境算是搭好了，下面可以开始进行分类、回归、预测等试验。
　　使用时，可以直接使用easy.py，或者手动进行，步骤如下：
　　规范化训练样本、交叉验证寻找最合适参数、利用寻找到的参数进行模型训练、规范化测试样本、使用模型进行分类预测。
　　刚开始接触，直接使用easy.py执行，
　　命令行为：
　　cmd
　　cd d:\python31
　　python d:\libsm-2.9\python\easy.py& d:\libsm-2.9\python\heart_scale
　　回车执行，dos运行结果
　　Scaling training data...
　　Cross validation...
　　Best c=2048.0, g=0.5 CV rate=84.0741
　　Training...
　　Output model: heart_scale.model
　　执行后可以得到相应的结果，结果保存在python31目录下，产生了5个新文件train.libsvm.model(预测模型)、train.libsvm.range(缩放规则)、train.libsvm.scale(缩放结果)、train.libsvm.scale.out(规范化结果)、train.libsvm.scale.png(寻参图示)。
　　解释下.modle中训练结果头部几个字段，
　　svm_typec_svc&&&&&&&&&&&&&&&&&&& // 所选择的 svm 类型，默认为 c_svc
　　kernel_typerbf&&&&&&&&&&&&&&&&&&&&& // 训练采用的核函数类型，此处为 RBF 核
　　gamma0.279;1&&&&&&&&&&&&&&&&& //RBF 核的参数 γ
　　nr_class2&&&&&&&&&&&&&&&&&&&&&&&&&&&&& // 类别数，此处为两分类问题
　　total_sv103&&&&&&&&&&&&&&&&&&&&&&&& // 支持向量总个数
　　rho1.6;&&&&&&&&&&&&&&&&&&&&&&&& // 判决函数的偏置项 b
　　label 1-1&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& // 原始文件中的类别标识
　　nr_sv 51 52&&&&&&&&&&&&&&&&&&&&&&&&& // 每个类的支持向量机的个数
　　SV&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& // 以下为各个类的权系数及相应的支持向量
　　&&&&&&&&& ...........
　　五、学习情况(待续)
　　
　　
浏览: 7456 次推荐这篇日记的豆列
&&&&&&&&&&&&libsvm使用步骤 - 夏鸥易 - 博客园
蜗牛漫步。。。我要一步一步往上爬。。。
一、Libsvm之初相识
1、libsvm简介（略）
&&Libsvm主要是用来模式识别与回归，这部分可以自己上网去看，在此略。
2、Libsvm、python、gnuplot下载
&&会不会奇怪为什么还要下载python和gnuplot这两个软件很重要，是后面搜索最优参数要用到的，也是很关键的一步。
我用的版本：libsvm-3.12,Python2.4，对于gnuplot，我用的是gp400win32.zip，下面是下载地址：
Libsvm-3.12:http://www.csie.ntu.edu.tw/~cjlin/(libsvm创始人台湾大学林智仁副教授个人主页)&
Python2.4：http://download.csdn.net/detail/linghu（这个是不要积分的）
gp400win32.zip：http://ishare..cn/f/.html?from=like
Gridregression.py：
将其复制到libsvm下的python2.4文件夹下。
将Libsvm-3.12和gp400win32.zip解压，这两个都不用安装。Python2.4要安装。下面是它们的路径（个人习惯，可以重命名文件或者对文件夹进行整理，以便后续运行）：
Libsvm：G：\shukong下面（这里我将libsvm-3.12重命名为libsvm）
Python：G：\shukong\libsvm下面（python2.4重命名为python）记得将python下面的python.exe复制到libsvm下的tools中
gp400win32.zip:G:\shukong\libsvm下面（只保留了gnuplot这个文件夹）
3、环境变量的设置以及如何在DOS下寻找路径
1）环境变量的设置（不明白为什么要设置环境变量@_@，但为了避免后续出了问题不知怎么解决，还是设置了）
添加环境变量到path:右击“计算机（我的电脑）”-&属性-&高级系统设置-&高级-&环境变量-&系统变量列表里双击path在变量值最后添加“;G:\shukong\libsvm\windows”，这就对Libsvm环境变量设置好了，然后设置python环境变量，也和上面一样，在变量值最后添加“;G:\shukong\libsvm\tools”。如图1：
&&&&&&&&&&&&&&&&&&&&&&&&&&&&& &&
2）如何在DOS下寻找路径（这部分会的可以不用看，像我这种菜鸟，还是百度才知道的%&_&%）
&点击“开始”按钮，进入“命令提示符”，默认路径是“C:\User\acer&”。这里有两种情况：一是像我是放在G盘的，所以要将路径改为G盘，方法是：直接在命令提示符里输入“G：”然后回车，就进入G盘的根目录了。如图2：
&&&&&&&&&&&&&&&&&
&&&&&&还有就是虽然在C盘，但是不在“C:\User\acer&”，这时就先要进入C盘的根目录，方法如下：在命令提示符下输入“cd\”然后回车即可。如图3：
&&&&&&&&&&&&&&&&
以上两种情况，进入根目录以后，我们就可以进入libsvm的路径，在这里，我们先进入“G:\shukong\libsvm&”（只是我自己在G盘，你要根据自己实际路径进入）,方法如下：
&& 在命令提示符中输入“cd&shukong”,然后回车，再输入“cd&libsvm”然后回车即可。如图4：
&&&&&&&&&&&&&&&&&&&&
二、Libsvm之再体验
怎么样，初相识还不是很难的吧，下面个人感觉就有点麻烦了。大家耐心哈。
1、将原始数据改为libsvm所规定的数据格式。
该软件使用的训练数据和检验数据文件格式如下：
&&&&[label]&[index1]:[value1]&[index2]:[value2]&…
&&&&&&&目标值&第一维特征编号：第一维特征值&第二维特征编号：第二维特征值…
例如：2.3&1:5.6&2:3.2&
表示训练用的特征有两维，第一维是5.6，第二维是3.2，目标值是2.3&
原始数据改为libsvm所规定的数据格式有2种方法：
1）使用网络上FormatDataLibsvm.xls来完成（我的excel版本不支持宏命令，所以此种方法没有用）。&
FormatDataLibsvm.xls使用说明：&
a.&先将数据按照下列格式存放（注意label放最后面）：&
value1&value2&…&label&
value1&value2&…&label&
value1&value2&…&label
b.&然后将以上数据粘贴到FormatDataLibsvm.xls中的最左上角单元格，接着工具-&宏-&执行FormatDataToLibsvm宏。就可以得到libsvm要求的数据格式。
2）采用编程实现
a.&先将数据按照下列格式存放（注意label放最后面）：&
value1&value2&…&label&
value1&value2&…&label&
value1&value2&…&label
b.本人使用的是简单的matlab编程来实现（以下是本人部分数据）
原数据(data1.txt)如图5：
&&&&&&&&&&&&&&&&&&&&&&&
转换之后的数据(svmdata1.txt)如图6：
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
用matlab进行数据转换之后，把svmdata1.txt复制到libsvm文件夹下的tools文件夹即可。
3）数据格式转换好了，那么在libsvm的tools文件夹下还有一个工具，可以用来检查你的数据格式是否正确，那就是checkdata.py。方法是：
打开&命令提示符&，进入到libsvm中的tools文件夹下，（怎么样进入我已在上面介绍过），然后输入命令“checkdata.py&svmdata1.txt”回车，若显示“No&error”，则表示数据格式正确。我的数据结果如图7。（注：如果用这个matlab程序转换的话，一定是no&error的。^_^）
&&&&&&&&&&&&&&& &&&
这一步一般不会有太大的问题。
2、用svm-scale.exe对数据集进行归一化处理。
因为原始数据可能范围过大或过小,&svmscale可以先将数据重新scale&(縮放)&到适当范围使训练与预测速度更快。通常将数据缩放至[-1,1]或者[0,1]之间。
使用方法:svm-scale.exe&[-l&lower]&[-u&upper]&[-y&y_lower&y_upper]&[-s&save_name]&[-r&store_name]&filename；其中
&&&&-l：数据下限标记；
lower：缩放后数据下限&缺省值：&lower&=&-1；
-u：数据上限标记；
upper：缺省值：&upper&=&&1，代表着没有对y进行缩放；
-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；（回归需要对目标进行缩放，因此该参数可以设定为&–y&-1&1&）；
-s&save_name：表示将缩放的规则保存为文件save_name；
-r&store_name：表示将缩放规则文件store_name载入后按此缩放；&
filename：待缩放的数据文件（要求满足前面所述的格式）。
在进行这一步的时候，我们要用到的数据是上一步已经改好格式的数据，即svmdata1.txt，所以要把svmdata1.txt复制到libsvm中的windows文件夹下。
具体操作，打开“命令提示符”，进入libsvm中的windows下，输入命令“svm-scale.exe&-l&0&-u&1&svmdata1.txt&data.txt”。如图8。
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
这里，我们把svmdata1.txt里面的数据缩放为[0,1]之间，并另存为data.txt，这时，在windows下面会多出一个data.txt，里面就是你要的数据。我没有保存规则，就不用-s。这里也有几个问题：
a.请看下图9：
&&&&&&&&&&&&&&&&&&&&&&&
和上图对比，感觉输入的命令是一样的，但是却提示错误，打开data.txt却并没有数据，却是英文的svm-scale的用法，刚开始，一直这样，我痛苦死了，后来仔细一看才明白，原来那个是英文的‘l’而我写的是数字‘1’，这样一改就好了。图10：
&&&&&&&&&&&
归一化后的数据如图11：
可以看到前几行索引没有‘3’，这是因为索引为‘3’的value是0，所以为了节省内存，就不显示了，这并不是错误，不要担心。
3、用gridregression.py搜索最优参数，主要是c和g。
数据都准备好了之后，就可以用svm-train来训练模型了，然而，了解svm-train的都知道，训练的时候又很多的参数，而这些参数又不能随便选，会有最优的，但是人工去选的话，会很麻烦，我看好多人都说用libsvm自带的grid.py进行参数的搜索，但是我查了，也实践了，好像grid.py不支持回归的，于是我用gridregression.py来搜索最优参数。
有关gridregression.py的下载，在第一步已经说了，不在赘述。先打开gridregression.py，注意用Eidt&with&IDLE打开，然后里面有些参数要改一下。
改前如图12：
&&&&&&& &&
改后如图13：
其实要改的就这些，主要是把svmtain_exe和gnuplot_exe的路径改为自己的路径就行。
然后就可以进行寻优了。要先把路径调好，注意调到G:\shukong\libsvm\python2.4下。
然后输入下面的语句：python&G:\shukong\libsvm\python2.4\gridregression.py&-svmtain&G:\shukong\libsvm\windows\svm-train.exe&-gnuplot&G:\shukong\libsvm\gnuplot\bin\pgnuplot.exe&-log2c&-10,10,1&-log2g&-10,10,1&-log2p&-10,10,1&-v&10&-s&3&-t&2&G:\shukong\libsvm\tools\data.txt如图14：
这个比较多字母，容易输错，我是在worrd文档里键入，然后复制到命令提示符中，回车，就开始跑了，在命令提示符窗口中看到运行过程。过程可能会比较长，我的数据少，很快就有结果了。
另：我在网上看的，如果输入python&G:\shukong\libsvm\python2.4\gridregression.py&-svmtain&G:\shukong\libsvm\windows\svm-train.exe&-gnuplot&G:\shukong\libsvm\gnuplot\bin\pgnuplot.exe&-log2c&-10,10,1&-log2g&-10,10,1&-log2p&-10,10,1&-v&10&-s&3&-t&2&G:\shukong\libsvm\tools\data.txt&gridregression_data.parameter比上面的输入多了最后的“&gridregression_data.parameter”，表示将结果保存在gridregression_data.parameter中，会在python文件夹中多出一个gridregression_data.parameter文件，但是在命令提示符中不会看到运行过程，这种方法我也尝试了，但是时间会非常长，大概花了4个小时，而且网上用这个方法的人也是运行了大概24小时，还是没结束，所以，还是不要保存为好，用上面的输入就行。寻优结果如图15：
&可以看到寻优的过程，只需关注最后一行即可。最后一行分别为c,g,p,mse,一般来说mse这个参数不是很重要，是越小越好吧（至于为什么是越小越好，我也不清楚哇~~）。
4、用svm-train训练模型。
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，至于参数的可的选项及表示的涵义，大家可以在livbsvm中自带的readme里面看得到，很详细，不再赘述。这里只介绍我所选择的参数及其值。
打开命令提示符，进入G:\shukong\libsvm\windows然后输入“svm-train&-s&3&-t&2&-c&1024.0&-g&4&.0&-p&0.0625&data.txt”,这里-s是选择SVM的类型。对于回归来说，只能选3或者4，3表示epsilon-support&vector&regression,&4表示nu-support&vector&regression。-t是选择核函数，通常选用RBF核函数。然后c,g,p我们已经寻出，直接运行即可。如图16：
#iter&为迭代次数，&nu&与前面的操作参数&-n&n&相同，&obj&为&SVM&文件
转换为的二次规划求解得到的最小值，&rho&为判决函数的常数项&b&，&nSV&为支持
向量个数，&nBSV&为边界上的支持向量个数，&Total&nSV&为支持向量总个数。
这时在windows中会生成一个data.txt.model文件。可以用来进行下面的预测了。
5、用svm-predict预测。
vmpredict&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。
还是在命令提示符windows下输入“svm-predict&&test.txt&&data.txt.model&out.txt”，如图17：
&可以看到，第一行是均差，第二行是相关系数，预测结果还是不错的。如果预测结果不好，一可能是你的参数选择不当，还可能是你的特征值选择的有问题。
另外，在windows下会生成一个out.txt文件，可以打开看一下和test.txt文件的差别。
这里面有一些是需要注意改正的地方:
这几个压缩包，最好和博客上说明的版本号一样，不然在gridregression.py调用时会出项语法问题。搜索最优参数时，gridregression.py中的路径必须和cmd命令行中的严格一致。因为路径下有文件夹名字program
files，文件夹名字中间有空格的话，识别不到，所以创建一个镜像，例如在cmd中输入 subst w: &D:\program files& 然后可以直接用w:\代替D:\program files了。所以，在gridregression.py文件中，所有的D:\program
files也要用w：来表示。开始时没有对应，出现了worker local quit的错误。worker local quit的原因是数据文件为空，或者数据文件太大，出现内存溢出。
有两个博文可以值得学习：
阅读(...) 评论()【转载】使用windows版LIBSVM进行分类预测的具体方法及案例
1. 程序介绍和环境设置
windows下的libsvm是在命令行运行的Console
Program。所以其运行都是在windows的命令行提示符窗口运行（运行，输入cmd）。运行主要用到的程序，由如下内容组成：
libsvm-2.9/windows/文件夹中的：
svm-train.exe
svm-predict.exe
svm-scale.exe
libsvm-2.9/windows/文件夹中的：
checkdata.py
svm-toy.exe，我暂时知道的是用于演示svm分类。其中的load按钮的功能，是否能直接载入数据并进行分类还不清楚，尝试没有成功；
python文件夹及其中的svmc.pyd，暂时不清楚功能。
因为程序运行要用到python脚本用来寻找参数，使用gnuplot来绘制图形。所以，需要安装python和Gnuplot。
（Python&& v3.1
Final可从此下载：）
（gnuplot可从其官网下载：）
为了方便，将gnuplot的bin、libsvm-2.9/windows/加入到系统的path中，如下：
这样，可以方便的从命令行的任何位置调用gnuplot和libsvm的可执行程序，如下调用svm-train.exe:
出现svm-train程序中的帮助提示，说明path配置成功。
至此，libsvm运行的环境配置完成。下面将通过实例讲解如何使用libsvm进行分类。
2. 使用libsvm进行分类预测
我们所使用的数据为UCI的iris数据集，将其类别标识换为1、2、3。然后，取3/5作为训练样本，2/5作为测试样本。使用论坛中“将UCI数据转变为LIBSVM使用数据格式的程序”一文将其转换为libsvm所用格式，如下：
训练文件tra_iris.txt
1 1:5.4 2:3.4 3:1.7 4:0.2
1 1:5.1 2:3.7 3:1.5 4:0.4
1 1:4.6 2:3.6 3:1 4:0.2
1 1:5.1 2:3.3 3:1.7 4:0.5
1 1:4.8 2:3.4 3:1.9 4:0.2
2 1:5.9 2:3.2 3:4.8 4:1.8
2 1:6.1 2:2.8 3:4 4:1.3
2 1:6.3 2:2.5 3:4.9 4:1.5
2 1:6.1 2:2.8 3:4.7 4:1.2
2 1:6.4 2:2.9 3:4.3 4:1.3
3 1:6.9 2:3.2 3:5.7 4:2.3
3 1:5.6 2:2.8 3:4.9 4:2
3 1:7.7 2:2.8 3:6.7 4:2
3 1:6.3 2:2.7 3:4.9 4:1.8
3 1:6.7 2:3.3 3:5.7 4:2.1
3 1:7.2 2:3.2 3:6 4:1.8
测试文件tes_iris.txt
1 1:5.1 2:3.5 3:1.4 4:0.2
1 1:4.9 2:3 3:1.4 4:0.2
1 1:4.7 2:3.2 3:1.3 4:0.2
1 1:4.6 2:3.1 3:1.5 4:0.2
1 1:5 2:3.6 3:1.4 4:0.2
1 1:5.4 2:3.9 3:1.7 4:0.4
2 1:7 2:3.2 3:4.7 4:1.4
2 1:6.4 2:3.2 3:4.5 4:1.5
2 1:6.9 2:3.1 3:4.9 4:1.5
2 1:5.5 2:2.3 3:4 4:1.3
2 1:6.5 2:2.8 3:4.6 4:1.5
3 1:6.3 2:3.3 3:6 4:2.5
3 1:5.8 2:2.7 3:5.1 4:1.9
3 1:7.1 2:3 3:5.9 4:2.1
3 1:6.3 2:2.9 3:5.6 4:1.8
3 1:6.5 2:3 3:5.8 4:2.2
libsvm的参数选择一直是令人头痛的问题。不过，对于初学者，如果数据不是很大，在libsvm的tools文件中为大家提供了easy.py。它可以自动完成从归一化到参数选择的一切所需操作。
使用方法为：easy.py training_file [testing_file]
另外有其他参数选择工具，可以参考tools中的readme说明。下面，我们先使用easy.py进行分类实验。
（1）使用libsvm进行多分类——利用easy.py工具
在使用前，要确保上面环境变量已经配置。然后将tra_iris.txt、tes_iris.txt拷贝到tools文件夹，以防止写长路径名。同时，因为gnuplot的安装路径人人都不相同，所以，需要在easy.py中做相应修改，如下将
&&& # example
for windows
svmscale_exe = r"..\windows\svm-scale.exe"
svmtrain_exe = r"..\windows\svm-train.exe"
svmpredict_exe = r"..\windows\svm-predict.exe"
gnuplot_exe = r"D:\greensoft\gnuplot\bin\pgnuplot.exe"
r".\grid.py"中D:\greensoft\gnuplot\bin\pgnuplot.exe，改为你的pgnuplot.exe所在位置。
在“交叉验证寻找最优参数”之前，需要在grid.py中：
&& # example for windows
&& svmtrain_exe =
r"..\windows\svm-train.exe"
&& gnuplot_exe = r"G:\Program
Files\gnuplot\bin\pgnuplot.exe"其中的"G:\Program
Files\gnuplot\bin\pgnuplot.exe"改为你的pgnuplot.exe所在的路径。】
接着，“运行”中输入cmd打开命令行，转到\libsvm-2.9\tools所在目录，然后，输入命令
easy.py svmtra_iris.txt
svmtes_iris.txt执行，程序会自动调用训练、交叉验证、预测将结果保存到同目录的文件中。运行情况如下：
程序自动寻参情况图示如下：
程序执行的结果在svmtes_iris.txt.predict文件中，规范化结果在svmtra_iris.txt.scale.out中。从运行情况可看出，其预测精度为Accuracy
= 96.6667% (58/60)。
实验数据和结果见附件：
( 09:58:34, Size: 9.34 KB, Downloads: 71)
（2）对应上实验，手动使用libsvm进行多分类的方法
下面方法是通过分析easy.py所得，均在“运行”cmd命令行执行。
规范化训练样本
svm-scale -s svmtra_iris.txt.range svmtra_iris.txt &
svmtra_iris.txt.scale交叉验证寻找最优参数
grid.py -svmtrain svm-train -gnuplot gnuplot
svmtra_iris.txt.scale利用寻找的参数训练模型
svm-train -c 8.0 -g 0.03125 svmtra_iris.txt.scale
svmtra_iris.txt.model规范化测试样本
svm-scale -r svmtra_iris.txt.range svmtes_iris.txt &
svmtes_iris.txt.scale使用模型进行分类预测
svm-predict svmtes_iris.txt.scale svmtra_iris.txt.model
svmtes_iris.txt.predictsvm-train、svm-scale、svm-predict等名字为windows文件夹中exe文件的名字。
至此，使用libsvm进行分类的完整过程分析介绍，欢迎讨论。
转载请注：jink2005
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。}