经历手写SVM的惨烈教训(还是太年轻)之后，我决定使用工具箱/第三方库
Python
LibSVM是开源的SVM实现，支持C， C++， Java，Python ， R 和 Matlab 等, 这里选择使用Python版本。
安装LibSVM
将LibSVM仓库的所有内容放入Python的包目录\Lib\site-packages或者工程目录中。
在libsvm根目录和python子目录下中分别新建名为__init__.py的空文件，这两个空文件将标识所在的目录为python包可以直接导入。
允许草民吐槽一下各种Blog里切换根目录的奇怪的解决方案：和
因为经常使用svm，所以草民将libsvm包放入\Lib\site-packages目录下。在Python交互环境或在任意脚本中都可以使用import libsvm.python来使用libsvm的python接口。
使用LibSVM
LibSVM的使用非常简单，只需调用有限的接口
示例1：
from libsvm.python.svmutil import *from libsvm.python.svm import * y, x = [1,-1], [{1:1, 2:1}, {1:-1,2:-1}]prob = svm_problem(y, x)param = svm_parameter('-t 0 -c 4 -b 1')model = svm_train(prob, param)yt = [1]xt = [{1:1, 2:1}]p_label, p_acc, p_val = svm_predict(yt, xt, model)print(p_label) 输出结果：
optimization finished, #iter = 1nu = 0.062500obj = -0.250000, rho = 0.000000nSV = 2, nBSV = 0Total nSV = 2test:Model supports probability estimates, but disabled in predicton.Accuracy = 100% (1/1) (classification)[1.0]
在中下载train1.txt和test1.txt。
LibSVM可以在文件中读取训练数据，这样便于大规模数据的使用。
示例：
from libsvm.python.svmutil import *from libsvm.python.svm import *y, x = svm_read_problem('train1.txt')yt, xt = svm_read_problem('test1.txt')model = svm_train(y, x )print('test:')p_label, p_acc, p_val = svm_predict(yt[200:202], xt[200:202], model)print(p_label) 可以看到输出：
optimization finished, #iter = 5371nu = 0.606150obj = -1061.528918, rho = -0.495266nSV = 3053, nBSV = 722Total nSV = 3053test:Accuracy = 40.809% (907/2225) (classification)
LibSVM接口
训练数据格式
libsvm的训练数据格式如下：
示例：
1 1:2.927699e+01 2:1.072510e+02 3:1.149632e-01 4:1.077885e+02
主要类型
svm_problem
保存定义SVM模型的训练数据
svm_parameter
存储训练SVM模型所需的各种参数
svm_model
完成训练的SVM模型
svm_node
模型中一个特征的值，只包含一个整数索引和一个浮点值属性。
主要接口：
-svm_problem(y, x)
由训练数据y,x创建svm_problem对象
svm_train()
svm_train有3个重载：
model = svm_train(y, x [, 'training_options'])model = svm_train(prob [, 'training_options'])model = svm_train(prob, param)
用于训练svm_model模型
- `svm_parameter(cmd)
创建svm_parameter对象，参数为字符串。
示例：
param = svm_parameter('-t 0 -c 4 -b 1') svm_predict()
调用语法：
p_labs, p_acc, p_vals = svm_predict(y, x, model [,'predicting_options'])
参数：
y 测试数据的标签
x 测试数据的输入向量
model为训练好的SVM模型。
返回值：
p_labs是存储预测标签的列表。
p_acc存储了预测的精确度，均值和回归的平方相关系数。
p_vals在指定参数'-b 1'时将返回判定系数(判定的可靠程度)。
这个函数不仅是测试用的接口，也是应用状态下进行分类的接口。比较奇葩的是需要输入测试标签y才能进行预测，因为y不影响预测结果可以用0向量代替。
svm_read_problem
读取LibSVM格式的训练数据：
y, x = svm_read_problem('data.txt') svm_save_model
将训练好的svm_model存储到文件中：
svm_save_model('model_file', model) model_file的内容：
svm_type c_svckernel_type linearnr_class 2total_sv 2rho 0label 1 -1probA 0.693147probB 2.3919e-16nr_sv 1 1SV0.25 1:1 2:1 -0.25 1:-1 2:-1
svm_load_model
读取存储在文件中的svm_model:
model = svm_load_model('model_file') 调整SVM参数
LibSVM在训练和预测过程中需要一系列参数来调整控制。
svm_train的参数：
-sSVM的类型(svm_type)0 -- C-SVC(默认)
使用惩罚因子(Cost)的处理噪声的多分类器
1 -- nu-SVC(多分类器)
按照错误样本比例处理噪声的多分类器
2 -- one-class SVM
一类支持向量机，可参见"SVDD"的相关内容
3 -- epsilon-SVR(回归)
epsilon支持向量回归
4 -- nu-SVR(回归)
-t核函数类型(kernel_type)0 -- linear(线性核):
u'*v1 -- polynomial(多项式核):
(gamma*u'*v + coef0)^degree2 -- radial basis function(RBF,径向基核/高斯核):
exp(-gamma*|u-v|^2)3 -- sigmoid(S型核):
tanh(gamma*u'*v + coef0)4 -- precomputed kernel(预计算核)：
核矩阵存储在
training_set_file中
下面是调整SVM或核函数中参数的选项：
-d调整核函数的degree参数，默认为3-g调整核函数的gamma参数，默认为1/num_features-r调整核函数的coef0参数，默认为0-c调整C-SVC, epsilon-SVR 和 nu-SVR中的Cost参数，默认为1-n调整nu-SVC, one-class SVM 和 nu-SVR中的错误率nu参数，默认为0.5-p调整epsilon-SVR的loss function中的epsilon参数，默认0.1-m调整内缓冲区大小,以MB为单位，默认100-e调整终止判据，默认0.001-wi调整C-SVC中第i个特征的Cost参数
调整算法功能的选项：
-b是否估算正确概率,取值0 - 1，默认为0-h是否使用收缩启发式算法(shrinking heuristics),取值0 - 1，默认为0-v交叉校验-q静默模式
Matlab
LibSVM的Matlab接口用法类似，Matlab丰富的标准工具箱提供了各种方便。
Statistic Tools工具箱提供了svmtrain和svmclassify函数进行SVM分类。
traindata = [0 1; -1 0; 2 2; 3 3; -2 -1;-4.5 -4; 2 -1; -1 -3];group = [1 1 -1 -1 1 1 -1 -1]';testdata = [5 2;3 1;-4 -3];svm_struct = svmtrain(traindata,group); Group = svmclassify(svm_struct,testdata);
svmtrain接受traindata和group两个参数，traindata以一行表示一个样本，group是与traindata中样本对应的分类结果，用1和-1表示。
svmtrain返回一个存储了训练好的svm所需的参数的结构体svm_struct。
svmclassify接受svm_struct和以一行表示一个样本的testdata，并以1和-1列向量的形式返回分类结果。