ICode9

精准搜索请尝试: 精确搜索
首页 > 其他分享> 文章详细

【机器学习】基于LIBSVM实现支持向量机核函数训练并获取决策函数

2021-11-17 14:02:16  阅读:270  来源: 互联网

标签:svm 决策函数 LIBSVM label 机核 model txt data


目录

一、LIBSVM简介

  LIBSVM是台湾大学林智仁(Lin Chih-Jen)教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。
  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;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-SVMν-SVMε-SVRν-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

官网下载地址:https://www.csie.ntu.edu.tw/~cjlin/libsvm/
在这里插入图片描述
将下载的压缩文件解压即可
在这里插入图片描述
该文件夹中有多种语言的代码,可自行根据自己的需要进行使用。

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
    在这里插入图片描述
    在这里插入图片描述

2. 手工绘制数据集

  • 点击鼠标左键可进行描点
    在这里插入图片描述

  • 点击Change切换颜色,再描一组点
    在这里插入图片描述

  • 点击Save将数据保存为train.txt作为训练集
    在这里插入图片描述

  • 再设置一组数据作为测试集test.txt
    在这里插入图片描述

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('train.txt')#训练数据
p_label,p_data=svm_read_problem('test.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:
在这里插入图片描述
模型参数及结果:
在这里插入图片描述

  • 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
在这里插入图片描述
模型参数及结果:
在这里插入图片描述

  • 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:
在这里插入图片描述
模型参数及结果:
在这里插入图片描述

四、总结

  本文简略的介绍了LIBSVM工具,并将其应用于手工数据集的分类任务。

五、参考

LIBSVM入门解读

标签:svm,决策函数,LIBSVM,label,机核,model,txt,data
来源: https://blog.csdn.net/YangMax1/article/details/121374574

本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享;
2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关;
3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关;
4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除;
5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有