libsvm环境配置及使用方法

前言

在刚刚学习机器学习内容的时候，就给了自己很清晰的定位“未想有所成，只想有所用”。因为机缘巧合接触的机器学习，假期想学习的内容里面需要安装libsvm包，在翔翔的远程帮助和及其懈怠的状态下，我按照以下步骤在五分钟之内解决了安装libsvm包的时候出现的问题。（前提是你在Anaconda找不到libsvm的包）

环境、所用到的软件及其版本

win 10
Anaconda3_5.5.0
python 3.6
Visual Studio 2013
（当然这个不在我电脑上=v=，感兴趣地可以按照我之后给的链接在本机运行一下）
PyCharm 2017.2.3

libsvm环境配置

以下文件路径仅仅是我电脑中的，如果存放的位置不一样，请自行调整

因为电脑装VS之后出现了点问题，所以不能按照林智仁LIBSVM python包的安装与使用这个链接中64位机的解决方法。就直接用了翔翔发给我的libsvm.dll。将相关链接中的“用vs2013运行过的libsvm.dll”下载好直接放在C:\Windows\System32下即可。
Tips：或者在Anaconda离线包的链接中下载，按照“林智仁LIBSVM python包的安装与使用”进行操作。当时在页面不能直接找到VS的Prompt快捷方式，打开D:\develop\Visual Studio\Common7\Tools\Shortcuts中的VS2013 x64 本机工具命令提示进行nmake操作。
直接将libsvm文件夹中python下的 svmutil.py和svm.py两个文件复制粘贴到D:\develop\Anaconda\Lib下

在python环境下测试是否安装成功
(1) 输入测试代码

from svmutil import *
y, x = svm_read_problem('../heart_scale')
m = svm_train(y[:200], x[:200], '-c 4')
p_label, p_acc, p_val = svm_predict(y[200:], x[200:], m)

(2) 测试代码结果输出：

optimization finished, #iter = 257
nu = 0.351161
obj = -225.628984, rho = 0.636110
nSV = 91, nBSV = 49
Total nSV = 91
Accuracy = 84.2857% (59/70) (classification)

libsvm使用方法-非常简易版本

svm_train函数
这里用的是彭亮视频中的例子

from svmutil import *
x = [[1,1], [2,0], [2,3]]
y = [0, 0, 1]
clf = svm_train(y, x, '-s 0 -t 0')

相关参数解释说明
x是特征向量
(在这里，x必须是list或者是tuple，因为svm_train函数第二个参数传入时限定了，如果不是的话，会有报错）
y是特征向量对应的标记
clf是分类器
‘-s 0 -t 0’是option,详情请见LIBSVM详细介绍和使用方法

svm_predict函数

from svutil import *
x = [[1,1], [2,0], [2,3]]
y = [0, 0, 1]
x1 = [[1,1], [2,0]]
y1 = [0, 1]
svm_predict(y1, x1, clf)

前言

环境、所用到的软件及其版本

libsvm环境配置

libsvm使用方法-非常简易版本

相关链接