如何利用python使用libsvm

Question

如题所述

Answer 1

　把包解压在C盘之中，如：C:\libsvm-3.182.
　　因为要用libsvm自带的脚本grid.py和easy.py,需要去官网下载绘图工具gnuplot,解压到c盘.进入c:\libsvm\tools目录下，用文本编辑器（记事本，edit都可以）修改grid.py和easy.py两个文件，找到其中关于gnuplot路径的那项，根据实际路径进行修改，并保存
　　python与libsvm的连接（参考SVM学习笔记（2）LIBSVM在python下的使用）

　　1.打开IDLE(pythonGUI)，输入>>>importsys>>>sys.version
　　2.如果你的python是32位，将出现如下字符：
　　(default,Apr102012,23:31:26)[MSCv.150032bit(Intel)]’
　　这个时候LIBSVM的python接口设置将非常简单。在libsvm-3.16文件夹下的windows文件夹中找到动态链接库libsvm.dll，将其添加到系统目录，如`C:\WINDOWS\system32\’，即可在python中使用libsvm
　　wk_ad_begin({pid : 21});wk_ad_after(21, function(){$('.ad-hidden').hide();}, function(){$('.ad-hidden').show();});
　　3.执行一个小例子

　　importos
　　os.chdir('C:\libsvm-3.18\python')#请根据实际路径修改
　　fromsvmutilimport*
　　y,x=svm_read_problem('../heart_scale')#读取自带数据
　　m=svm_train(y[:200],x[:200],'-c4')
　　p_label,p_acc,p_val=svm_predict(y[200:],x[200:],m)
　　##出现如下结果，应该是正确安装了optimizationfinished,#iter=257nu=0.351161
　　obj=-225.628984,rho=0.636110nSV=91,nBSV=49
　　TotalnSV=91

　　Accuracy=84.2857%(59/70)(classification)

Answer 2

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。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。
环境：win32，python3.4

1.下载最新版libsvm-3.21：http://www.csie.ntu.edu.tw/~cjlin/libsvm/

解压，我解压到了C盘根目录下C:\libsvm-3.21

2.在pycharm中测试：

测试代码

如果出现以下运行结果，则配置成功：

结果

【备注】出现问题及解决方法：

问题：WindowsError: [Error 193] %1 不是有效的 Win32

原因：libsvm.dll版本与OS版本不符。

解决方法：在http://www.lfd.uci.edu/~gohlke/pythonlibs/#libsvm上下载符合自己OS版本的libsvm。将下载好的.whl文件后缀改为.zip，解压，然后将解压的文件中含有的libsvm.dll替换C:\libsvm-3.21\windows中的libsvm.dll即可。

3.python接口的说明

在libsvm-3.16的python文件夹下主要包括了两个文件svm.py和svmutil.py。

svmutil.py接口主要包括了high-level的函数，这些函数的使用和LIBSVM的MATLAB接口大体类似

svmutil中主要包含了以下几个函数：

svm_train() : train an SVM model

svm_predict() : predict testing data

svm_read_problem() : read the data from a LIBSVM-format
file.

svm_load_model() : load a LIBSVM model.

svm_save_model() : save model to a file.

evaluations() : evaluate prediction results.

svm.py接口主要包括了一些low-level的应用。在svm.py中采用了python内置的ctypes库，由此python可以直接访问svm.h中定义的C结构和接口函数。svm.py主要运用了四个数据结构svm_node,
svm_problem, svm_parameter和svm_model。本回答被网友采纳