SVM实现多分类的程序基础工作（二）——通过一个简单libsvm例子迈入libsvm学习的大门

 

在SVM实现多分类的程序基础工作（一）中概要的介绍了为何要安装libsvm，那安装了libsvm之后要干嘛呢？给个例子简单的说明libsvm应用的方便性。我们用libsvm自带的测试数据heart_scale来进行训练：

%% HowToClassifyUsingLibsvm by faruto @ faruto's Studio~

%% a litte clean work
tic;
close all;
clear;
clc;
format compact;
%%

% 首先载入数据
load heart_scale;
data = heart_scale_inst;
label = heart_scale_label;

% 选取前200个数据作为训练集合，后70个数据作为测试集合
ind = 200;
traindata = data(1:ind,:);
trainlabel = label(1:ind,:);
testdata = data(ind+1:end,:);
testlabel = label(ind+1:end,:);

% 利用训练集合建立分类模型
model = svmtrain(trainlabel,traindata,'-s 0 -t 2 -c 1.2 -g 2.8');
%参数输入的意义：

　% -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：u'v
　　% 1 – 多项式：(r*u'v + coef0)^degree
　　% 2 – RBF函数：exp(-r|u-v|^2)
　　% 3 –sigmoid：tanh(r*u'v + coef0)
% -g r(gama)：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)
% -c cost：设置C-SVC，e -SVR和v-SVR的参数(损失函数)(默认1)

% 分类模型model解密
model
Parameters = model.Parameters
Label = model.Label
nr_class = model.nr_class
totalSV = model.totalSV
nSV = model.nSV

% 利用建立的模型看其在训练集合上的分类效果
[ptrain,acctrain] = svmpredict(trainlabel,traindata,model);

% 预测测试集合标签
[ptest,acctest] = svmpredict(testlabel,testdata,model);
toc;

把此程序放入matlab新建的.m文件运行，那么你将会看到如下结果：

model =

    Parameters: [5x1 double]

      nr_class: 2

       totalSV: 197

           rho: 0.0583

         Label: [2x1 double]

         ProbA: []

         ProbB: []

           nSV: [2x1 double]

       sv_coef: [197x1 double]

           SVs: [197x13 double]

Parameters =

         0

    2.0000

    3.0000

    2.8000

         0

Label =

     1

    -1

nr_class =

     2

totalSV =

   197

nSV =

    89

   108

Accuracy = 99.5% (199/200) (classification)

Accuracy = 68.5714% (48/70) (classification)

Elapsed time is 0.209811 seconds.

 

至此，我们完成了最简单的libsvm分类操作，从上来看使用libsvm进行分类很简单，只需要有属性矩阵和标签，然后就可以建立分类模型（model），然后利用得到的这个model进行分类预测了。上例中的属性矩阵就相当于libsvm自带的测试数据heart_scale中的heart_scale_inst；而标签就是libsvm自带的测试数据heart_scale中的 heart_scale_label。通过此实验更进一步的了解了libsvm工具的基本用法，这为libsvm的进一步学习打下了基础。