libsvm之（一）安装与测试（matlab）

作为一个晚起步的小伙子，得以站在大牛们的肩膀上快速入门。为了以防自己忘记，同时让其他人系统性的libsvm入门更加快速，这就开启一个系列了。 
（这里会参考一篇帮助很大的blog：http://blog.csdn.net/abcjennifer/article/details/7370177，不单单是SVM，很多机器学习以及图像处理方面的问题我都从这里学到很多。）

Libsvm是什么？ 
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，他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-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。

Step 1. 下载 
libsvm库下载：http://www.csie.ntu.edu.tw/~cjlin/libsvm/ 
注意： 
1、找到网站中“Download LIBSVM”这个小标题的位置，进行libsvm工具的下载，下载下来的将是zip file或者ar.gz格式。 
2、下载解压后，我们会看到两个最核心的函数“svm-train”（用来建立模型）以及“svm-predict”（用来预测）。

Step 2. 配置 
a. 设置路径 
首先需要将Matlab的工作路径调整到libsvm工具箱所在的文件夹。（否则将会出现 ??? undefined function or variable…） 
b. 配置编译器 
这一个操作是为了将libsvm工具包中的原来C++写的代码编译后为Matlab使用。（这里首先本机需要有预装的C++编译器，比如实现安装好Visual Studio。）下面要做的是在控制窗口输入： 

>>mex -setup

然后我们会看到：

Welcome to mex -setup.  This utility will help you set up  a default compiler.  For a list of supported compilers, see  http://www.mathworks.com/support/compilers/R2013a/win64.html Please choose your compiler for building MEX-files: Would you like mex to locate installed compilers [y]/n?

这里我们选择是，输入“y”，会让我们选择编译器：

Select a compiler: [1] Microsoft Visual C++ 2010 in C:\Program Files (x86)\Microsoft Visual Studio 10.0 [0] None Compiler: 

对于我的电脑，选择“1”并确认，会得到一大段文字，当我们在里面找到“Done … ”这样的关键字以后，说明我们的编译器选择成功了。 

c. 编译文件 
由于需要在Matlab下使用libsvm工具包，因此要先将当前路径调整到待编译的文件集中的“libsvm-3.20\matlab”的路径下。 
然后我们输入： 

>> make 

可以看到文件夹中生成了一些以“.mexw32”为后缀的文件，这就是编译完成后可供我们调用的函数，但是由于编码的问题我们无法以文档的形式直观地查看里面的代码。

Step 3. 测试 
a. 加载数据 
供测试用的数据在工具包主文件夹中就有，名字是”heart_scale“，包含两个文件（一个是270*13的样本，一个是270*1的标签）。 
注意： 
libsvm库中下载的是C++数据，所以如果我们直接使用“load heart_scale”是会报错的。 
所以我们需要使用的是”libsvmread()“这个函数进行读取。使用方法如下： 

[label_vector, instance_matrix] = libsvmread('filename'); 

所以我们输入： 

[heart_scale_label,heart_scale_inst] = libsvmread('heart_scale'); 

将在Workspace中得到上述的两个文件。 
b. 训练 
这里我们将用到”svmtrain“的模型训练函数，使用方法如下： 

model = svmtrain(training_label_vector, training_instance_matrix, 'libsvm_options'); 

由于只是测试我们不要求很好的参数，因此可以按如下参数进行输入： 

model = svmtrain(heart_scale_label , heart_scale_inst); 

将得到类似如下的信息：

*optimization finished, #iter = 162nu = 0.431029obj = -100.877288, rho = 0.424462nSV = 132, nBSV = 107Total nSV = 132

到此为止证明我们的libsvm已经安装成功了。 

c. 预测 
作为锦上添花的一步，我们用刚刚训练好的model来对数据进行一个预测。我们把训练用的样本同样作为我们的测试样本，输入如下： 

>> [predict_label] = svmpredict(heart_scale_label,heart_scale_inst,model);

将得到包含准确率的信息： 

Accuracy = 86.6667% (234/270) (classification)

blog内容参考视频：http://v.youku.com/v_showMini/id_XMjc2NTY3MzYw_ft_131.html