1000个特征7个类别MATLAB中SVM得训练多久 如何使用matlab训练svm模型

\u89e3\u51b37\u5206\u7c7b\u95ee\u9898\u9700\u8981\u5229\u7528\u591a\u4e2aSVM,\u7f16\u7a0b\u65f6\u662f\u9700\u8981\u7528\u591a\u6b21\u7528SVMForClass.m\u884c\u4e0d\u540c\u6837\u672c\u8bad\u7ec3\u5417?

\u591a\u7c7b\u5206\u7c7b\u7684svm\u4e00\u822c\u4e3a\u4e86\u7b80\u5355\u8d77\u89c1\uff0c\u90fd\u662f\u5229\u7528binary svm\u7ec4\u5408\u5b9e\u73b0\u7684\uff0c\u6bd4\u8f83\u5e38\u89c1\u7684\u662fone-against-one\u548cone-against-all\uff0c\u9009\u7684\u65b9\u6cd5\u4e0d\u540c\uff0c\u8bad\u7ec3\u65b9\u5f0f\u4e0d\u540c\u3002
\u6211\u8bb0\u5f97\u5728libsvm\u91cc\u9762\u53ea\u7528one-against-one\uff0c\u4f46\u662f\u4e0d\u9700\u8981\u81ea\u5df1\u989d\u5916\u6784\u9020\uff0c\u4e0d\u77e5\u9053\u4f60\u7528\u7684\u662f\u4ec0\u4e48\uff0c\u5982\u679c\u6ca1\u6709multi-classification\uff0c\u53ef\u80fd\u8981\u81ea\u5df1\u6784\u9020\u3002
\u65f6\u95f4\u592a\u4e45\uff0c\u4e0d\u77e5\u9053\u73b0\u5728\u6709\u6ca1\u6709\u4ec0\u4e48update\u3002

\u8fd9\u4e2a\u95ee\u9898\u6709\u70b9\u5927\uff0c\u6211\u8fd8\u662f\u63a8\u8350\u4f60\u4ece\u7f51\u4e0a\u627e\u51e0\u672c\u4e66\u81ea\u5df1\u770b\u770b

3天
svm模型训练后的参数说明

现简单对屏幕回显信息进⾏说明：

#iter 为迭代次数，

nu 与前⾯的操作参数 -n nu 相同，

obj 为 SVM ⽂件转换为的⼆次规划求解得到的最⼩值，

rho 为判决函数的常数项 b ，

nSV 为⽀持向量个数，

nBSV 为边界上的⽀持向量个数，

Total nSV 为⽀持向量总个数。

训练后的模型保存为⽂件 *.model ，⽤记事本打开其内容如下：

svm_type c_svc % 训练所采⽤的 svm 类型，此处为 C- SVC

kernel_type rbf % 训练采⽤的核函数类型，此处为 RBF 核

gamma 0.0769231 % 设置核函数中的 g ，默认值为 1/ k

nr_class 2 % 分类时的类别数，此处为两分类问题

total_sv 132 % 总共的⽀持向量个数

rho 0.424462 % 决策函数中的常数项 b

label 1 -1% 类别标签

@微生豪资料集合分享
nr_sv 64 68 % 各类别标签对应的⽀持向量个数

SV % 以下为⽀持向量

1 1:0.166667 2:1 3:-0.333333 4:-0.43396

2 5:-0.383562 6:-1 7:-1 8:0.068702

3 9:-1 10:-0.903226 11:-1 12:-1 13:1

0.5104832128985164 1:0.125 2:1 3:0.333333 4:-0.320755 5:-0.406393 6:1 7:1 8:0.0839695 9:1 10:-0.806452 12:-0.333333 13:0.5

1 1:0.333333 2:1 3:-1 4:-0.245283 5:-0.506849 6:-1 7:-1 8:0.129771 9:-1 10:-0.16129 12:0.333333 13:-1

1 1:0.208333 2:1 3:0.333333 4:-0.660377 5:-0.525114 6:-1 7:1 8:0.435115 9:-1 10:-0.193548 12:-0.333333 13:1

4 ）采⽤交叉验证选择最佳参数 C 与 g

通常⽽⾔，⽐较重要的参数是 gamma (-g) 跟 cost (-c) 。⽽ cross validation (-v)

的参数常⽤ 5 。那么如何去选取最优的参数 c 和 g 呢？ libsvm 的 python ⼦⽬录下⾯的 grid.py 可以帮助我们。 此时。其中安

装 python2.5 需要（⼀般默认安装到 c:/python25

下），将 gnuplot 解压。安装解压完毕后，进⼊ /libsvm/tools ⽬录下，⽤⽂本编辑器（记事

本， edit 都可以）修改 grid.py ⽂件，找到其中关于 gnuplot 路径的那项（其默认路径为

gnuplot_exe=r"c:/tmp/gnuplot/bin/pgnuplot.exe" ），根据实际路径进⾏修改，并保存。然

后，将 grid.py 和 C:/Python25 ⽬录下的 python.exe ⽂件拷贝到 libsvm/windows ⽬录下，键⼊以下命令： $ python grid.py

train.1.scale 执⾏后，即可得到最优参数 c 和 g 。

另外，⾄于下 libsvm 和 python 的接⼝的问题，在 libsvm2.86 中林⽼师已经帮助我们解决，在/libsvm/windows/python ⽬录下⾃带了 svmc.pyd 这个⽂件，将该⽂件⽂件复制到

@微生豪资料集合分享
libsvm/python ⽬录下，同时，也将 python.exe ⽂件复制到该⽬录下，键⼊以下命令以检验效

果（注意： .Py ⽂件中关于 gnuplot 路径的那项路径⼀定要根据实际路径修改）：

python svm_test.py

如果能看到程序执⾏结果，说明 libsvm 和 python 之间的接⼝已经配置完成，以后就可以直接在python 程序⾥调⽤ libsvm 的函数了！

5 ） 采⽤最佳参数 C 与 g 对整个训练集进⾏训练获取⽀持向量机模型

$ svmtrain –c x –g x –v x training_set_file [model_file]

x 为上述得到的最优参数 c 和 g 的值， v 的值⼀般取 5 。

6 ）利⽤获取的模型进⾏测试与预测

使⽤ Svmtrain 训练好的模型进⾏测试。输⼊新的 X 值，给出 SVM 预测出的 Y 值

$ Svmpredict test_file model_file output_file

如： ./svm-predict heart_scale heart_scale.model heart_scale.out

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

这⾥显⽰的是结果

⼀个具体使⽤的例⼦。

以 libsvm 中的 heart_scale 作为训练数据和测试数据，同时已经将 python 安装⾄ c 盘，并将grid.py ⽂件中关于 gnuplot 路径的默认值修改为实际解压缩后的路径，将

heart_scale 、 grid.py 和 python.exe 拷贝⾄ /libsvm/windows ⽂件夹下。

./svm-train heart_scale

optimization finished, #iter = 162

nu = 0.431029

obj = -100.877288, rho = 0.424462

nSV = 132, nBSV = 107

Total nSV = 132

此时，已经得到 heart_scale.model ，进⾏预测：

./svm-predict heart_scale heart_scale.model heart_scale.out

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

正确率为 Accuracy = 86.6667% 。

./python grid.py heart_scale

得到最优参数 c=2048 ， g=0.0001220703125.

./svm-train -c 2048 -g 0.0001220703125 heart_scale 得到 model 后，由 ./svm-predict heart_scale heart_scale.model

heart_scale.out 得到的正确

率为 Accuracy = 85.1852%.这块还有点迷惑？为什么正确率降低了？

当然也可以结合subset.py 和 easy.py 实现⾃动化过程。

@微生豪资料集合分享
如果要训练多次，可以写个批处理程序省好多事。

这⾥举个例⼦：

::@ echo off

cls

:: split the data and output the results

for /L %%i in (1,1,1000) do python subset.py b59.txt 546 b59(%%i).in8 b59(%%i).out2

for /L %%i in (1,1,1000) do python easy.py b59(%%i).in8 b59(%%i).out2 >> result89.txt

这段批处理代码⾸先调⽤subset.py对⽂件b59.txt执⾏1000次分层随机抽样(对数据进⾏80-20%分割)然后调⽤easy.py 进⾏1000次参数寻优，把记录结果写到result89.txt中

（包括1000次训练的分类准确率和参数对）。

还可以调⽤fselect.py进⾏特征选择，调⽤plotroc.py进⾏roc曲线绘制。

先写到这⾥吧，希望能和⼤家⼀起学习libsvm，进⼀步学好svm。

打开APP获取全文

已精选svm模型训练后...会员文档796篇

MATLAB中SVM（支持向量机）的用法
31人阅读

OpencvSVM支持向量机参数与优化：
8人阅读

SVM参数设置及各种参数意义
32人阅读

sklearnsvm调参_SVM调优详解·7125messi的博客

扩展阅读：商标7类明细表 ... 生物最完整的分类图 ... 商标类别明细 ... 商标注册第7类明细 ... 100个创意奖状称号 ... 六个活跃头衔古风 ... 商标国际分类1到45 ... 七种分类 ... 商标类目表45类详细明细表 ...