Matlab配置libsvm

引言：

最近在做的内容需要调用libsvm，小白入门，初次使用，遇到一点问题，这里做简要地记录。

libsvm参考资料：

libsvm下载网址：http://www.csie.ntu.edu.tw/~cjlin/libsvm/
视频教程：
http://v.youku.com/v_showMini/id_XMjc2NTY3MzYw_ft_131.html
https://www.youtube.com/watch?v=Wz_4h_bH7-c
https://www.youtube.com/watch?v=4GB5HVw0CuM

环境说明

我的系统环境为 Win8 64bit + Matlab R2014b，下载的是最新版的libsvm-3.20

具体流程

• 下载：
  从libsvm的主页下载合适的软件安装包，并解压，比如我解压到Matlab的Toolbox目录下，具体路径如下：G:\Software Installing\Matlab\R2014b\toolbox
• 设置Path：
  在Matlab中依次选择设置路径-添加并包含子文件夹..，加入以上解压后存放的路径。
• 编译：
  事实上，对于64位的系统，我们是不需要进行编译的，自带的软件包中已经包含了对应于64位系统的编译好的文件：libsvmread.mexw64、libsvmwrite.mexw64、svmtrain.mexw64、svmpredict.mexw64，以上文件位于压缩包'..\windows'文件夹中。对于非64位系统，或者需要自己编译的特殊情况，采用如下de步骤编译自己的二进制文件。
  
  • 在matlab中切换到解压后的libsvm-3.20\matlab目录（如我的系统为：G:\Software Installing\Matlab\R2014b\toolbox\libsvm-3.20\matlab）
  • 在命令窗口输入mex -setup ，此时会提示你选择编译器，就选择一个已安装的编译器，如Microsoft Visual C++ 2013。之后Matlab会提示确认选择的编译器，输入y进行确认。
  • 在命令窗口输入make，等待make完成，生成相应的后缀为mexw64（64位系统）或mexw32（32位系统）的文件。
  • 这里要说明，其实前一步的mex -setup并不是必须的，在make指令不奏效的时候调用一下即可；另外，在我的配置过程中，会提示有问题，大致如下所示， 其实并不需要在意，直接调用make 也会成功编译文件。

MEX 配置为使用 ‘Microsoft Visual C++ 2013 Professional (C)’ 以进行 C 语言编译。
警告…您需要更新代码以利用新的 API。您可以在以下网址找到相关详细信息…

• 重命名：
  这并不是必须的操作，但鉴于个人的经验，建议执行。
  编译完成后，在当前目录下回出现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产生一定的问题，比如想调用libsvm的变成了调用Matlab SVM。
  如果有进行重命名的，以后使用libsvm时一律使用libsvmtrain和libsvmpredict这两个名字进行调用。

特别补充：

以上是普通的libsvm在matlab 2014b 的设置，起初对于我而言，也是并不需要编译的，直接设置路径就可以使用libsvm，但是由于我需要使用对样本加权的训练方法，于是经过搜索，发现他们也是提供libsvm-weights-3.20版本的，参见这里,其中提供了Matlab和python的接口，而并不存在已经编译好的文件，所以我需要进行编译并使用这一带权重的版本。

测试

以下测试是基于我配置的加权的libsvm的版本。
libsvm软件包下的heart_scale和heart_scale.wgt文件分别提供了样本的label及feature信息和权重信息。要注意对于以上两个文件，其读取指令是不同的，以下将简单演示：在matlab命令窗口执行如下命令：

[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');heart_scale_weight = load('heart_scale.wgt');model = libsvmtrain(heart_scale_weight, heart_scale_label, heart_scale_inst, '-c 1');[predict_label, accuracy, dec_values] = libsvmpredict(heart_scale_label, heart_scale_inst, model);

结果如下：

*optimization finished, #iter = 166obj = -107.553365, rho = 0.449867nSV = 131, nBSV = 103Total nSV = 131Accuracy = 86.2963% (233/270) (classification)

特别的，对于不需要对样本考虑权重的情况，只需要修改训练的指令为：

model = libsvmtrain([], heart_scale_label, heart_scale_inst, '-c 1');

ok，以上就是对于Matlab 2014b使用libsvm(libsvm-weights)的简要记录。