2. 程式人生 > >libsvm支援向量機工具箱在MATLAB中的安裝與使用

libsvm支援向量機工具箱在MATLAB中的安裝與使用

阿新 • • 發佈：2019-01-04

這幾天幫別人做一個關於svm分類的東西，由於是多類多特徵的分類，發現徒手寫對於我這樣的菜鳥來說太難了，網上也沒有相關的資料，但是最後發現了LIBSVM這個工具箱，是由臺灣大學林智仁(Lin Chih-Jen)教授等開發設計的一個簡單、易於使用和快速有效的SVM模式識別與迴歸的軟體包，他不但提供了編譯好的可在Windows系列系統的執行檔案，還提供了原始碼，方便改進、修改以及在其它作業系統上應用；該軟體對SVM所涉及的引數調節相對比較少，提供了很多的預設引數，利用這些預設引數可以解決很多問題；並提供了互動檢驗(Cross Validation)的功能。該軟體可以解決C-SVM、ν-SVM、ε-SVR和ν-SVR等問題，包括基於一對一演算法的多類模式識別問題。

目前，LIBSVM擁有C、Java、Matlab、C#、Ruby、Python、R、Perl、Common LISP、Labview、php等數十種語言版本。最常使用的是C、Matlab、Java和命令列(c語言編譯的工具)的版本。

關於這個工具箱的安裝方法，我參考了兩篇網友的部落格，對我幫助很大，我當時出現的情況是第二個網友出現的情況，而常規的是第一個網友的情況（你可以先從第一個網友的看，出現什麼情況後再看第二個網友的，前提是matlab沒有出報錯），我在轉的這兩篇部落格某些地方會有點小更改，不過不會有什麼影響：

第一個網友部落格：http://blog.csdn.net/loadstar_kun/article/details/7712308

第二個網友部落格：http://m.blog.csdn.net/article/details?id=51331299

第一個網友部落格：

一．下載libsvm

在libsvm的網站上下載 libsvm-3.22.zip檔案，解壓後放在任意目錄下，最好放在MATLAB工具箱中，比如 D:\Program Files\MATLAB\R2016a\toolbox\libsvm-3.22下。

二．配置編譯器

開啟 matlab，將工作目錄切換到D:\Program Files\MATLAB\R2016a\toolbox\libsvm-3.22\matlab目錄下，在命令列鍵入以下命令：

mex –setup

出現提示語句

Please choose your compiler for building MEX-files:

Would you like mex to locate installed compilers [y]/n?n %這次是選擇編譯器，輸入n，選擇自定義的編譯器

出現以下選項（因電腦而異，！！！！！！ 注意 ！！！！！！如果輸入 mex -setup後出現 MEX 配置為使用 ‘Microsoft Visual C++ 2012 (C)’ 以進行 C 語言編譯。 警告: MATLAB C 和 Fortran API 已更改，現可支援包含 2^32-1 個以上元素的 MATLAB 變數。不久以後，您需要更新程式碼以利用新的 API。您可以在以下網址找到相關詳細資訊:等等的話，那麼這個時候你就要參考我轉的這兩篇部落格的第二個網友的部落格了）

Select a compiler:

[1] Intel C++ 11.1 (with Microsoft Visual C++ 2008 SP1 linker)

[2] Intel Visual Fortran 11.1 (with Microsoft Visual C++ 2008 SP1 linker)

[3] Intel Visual Fortran 11.1 (with Microsoft Visual C++ 2008 Shell linker)

[4] Lcc-win32 C 2.4.1

[5] Microsoft Visual C++ 6.0

[6] Microsoft Visual C++ 2005 SP1

[7] Microsoft Visual C++ 2008 SP1

[8] Microsoft Visual C++ 2010

[9] Microsoft Visual C++ 2010 Express

[10] Open WATCOM C++

[0] None

Compiler: 8%可以用其他的，出現以下提示語句

Your machine has a Microsoft Visual C++ 2010 compiler located at

C:\Program Files\Microsoft Visual Studio 10.0. Do you want to use this compiler [y]/n?

編譯器預設路徑，確認正確輸入y，更改路徑，輸入n

輸入y出現再次確認

Please verify your choices:

Compiler: Microsoft Visual C++ 2010 

Location: C:\Program Files\Microsoft Visual Studio 10.0

Are these correct [y]/n? y

編譯器配置完成

Trying to update options file: C:\Documents and Settings\zhangduokun\Application Data\MathWorks\MATLAB\R2011a\mexopts.bat

From template:              C:\PROGRA~1\MATLAB\R2011a\bin\win32\mexopts\msvc100opts.bat

Done …

三．編譯

輸入命令

>> make

>> 

%編譯完成

系統就會生成svmtrain.mexw32，svmpredict.mexw32，libsvmread.mexw32和libsvmwrite.mexw32等檔案（對於 Matlab 7.1以下上版本，生成的對應檔案為svmtrain.dll，svmpredict.dll和 read_sparse.dll，沒做測試），然後可以在matlab的選單 File->Set Path->add with subfolders（可直接用Add Folder）裡，把 C:\Program Files\MATLAB\R2011a\toolbox\libsvm-3.12\matlab目錄新增進去，這樣以後在任何目錄下都可以呼叫 libsvm的函數了。

四．測試

為了檢驗 libsvm和 matlab之間的介面是否已經配置完成，可以在 matlab下執行以下命令：

>>load heart_scale

完成該步驟後發現Workspace中出現了heart_scale_inst和 heart_scale_label,說明正確

>>model = svmtrain(heart_scale_label, heart_scale_inst, ‘-c 1 -g 0.07’);

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

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

如果執行正常並生成了model這個結構體（其中儲存了所有的支援向量及其係數），那麼說明 libsvm和matlab 之間的介面已經完全配置成功。

注意：

1. matlab自帶了C編譯器Lcc-win32C，但是libsvm原始版本是C++實現的，因此需要C++的編譯器來編譯，這就是不適用matlab預設編譯器而選擇其他C++編譯器的原因。

matlab支援的編譯器也是有限的，可以檢視不同版本matlab支援的編譯器列表

2. 如果matlab版本太低，如matlab 7.0是不能用VS作為編譯器的，只能用VC++ 6.0

3. .mexw32 檔案是經過加密的，開啟是亂碼，函式本身沒有幫助。

例如輸入 help svmpredict會出現報錯： svmpredict not found

工具箱libsvm-3.12\matlab中README檔案才是幫助檔案。

但是輸入help svmtrain會出現幫助資訊，其實出現的是系統自帶的svmtrain函式，沒有libsvm工具箱中的好用。

4.在新版本libsvm3.12中，資料夾libsvm-3.12\windows中已經有編譯好的程式，可以直接使用，只需要把libsvm-3.12\windows新增到matlab路徑中即可，不需要編譯的過程。當然最好還是自己編譯一遍，因為編譯環境不同會導致一些不可預估的小問題，自己編譯的過程是可控的。

5. 測試用資料集，libsvm官網上提供了很多資料集

測試使用的heart_scale資料集是C++版本的（類標籤 1:第一個屬性 2：第二個屬性…），可以用libsvmread來轉換為matlab版本的（它們的區別在類標籤）。

[label_vector, instance_matrix] = libsvmread(‘C++版本資料集’); %得到類標籤和屬性矩陣，然後可以使用它們訓練了model = svmtrain(label_vector, instance_matrix);

>> load heart_scale

>> model = svmtrain(heart_scale_label,heart_scale_inst); 

*

optimization finished, #iter = 162

nu = 0.431029

obj = -100.877288, rho = 0.424462

nSV = 132, nBSV = 107

Total nSV = 132

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

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

6.參考資料

libsvm庫下載：http://www.csie.ntu.edu.tw/~cjlin/libsvm/

視訊：http://v.youku.com/v_showMini/id_XMjc2NTY3MzYw_ft_131.html（有小問題，等下會提到）

詳解：http://www.matlabsky.com/thread-11925-1-1.html

相關推薦

libsvm支援向量機工具箱在MATLAB中的安裝與使用

這幾天幫別人做一個關於svm分類的東西，由於是多類多特徵的分類，發現徒手寫對於我這樣的菜鳥來說太難了，網上也沒有相關的資料，但是最後發現了LIBSVM這個工具箱，是由臺灣大學林智仁(Lin Chih-Jen)教授等開發設計的一個簡單、易於使用和快速有效的SVM模式識別與迴歸的軟體包，他不但提供了編譯好的

《統計學習方法》“支援向量機”一章中說可以取函式間隔等於 1 是為什麼？

假設兩條平行直線分別是 (1)Wx+A=0, Wx+A=0,\tag{1} Wx+A=0,(1) 與 (2)Wx+B=0. Wx+B=0.\tag{2} Wx+B=0.(2) 那麼和這兩條直線平行，且位於中間的那條直線就可以表示成： (3)Wx+A+B−A2=0

libsvm支援向量機迴歸示例

libsvm支援向量機演算法包的基本使用,此處演示的是支援向量迴歸機 import java.io.BufferedReader; import java.io.File; import java.io.FileReader; import java.util.ArrayL

支援向量機及MATLAB實現

應用背景：在我們使用其他一些分類方法對低維特徵空間進行分類時，無論怎麼設計分類器得不到好的分類效果，於是人們提出把低維空間對映到高維空間進行分類，而且達到了很好的分類效果，進而提出支援向量機（support  vector  machines , SVM）分類模型。 基本原

資料探勘－SVM(支援向量機)的matlab基礎DEMO詳細註解

load fisheriris %載入matlab自帶的資料[有關資料的資訊可以自己到UCI查詢,這是UCI的經典資料之一] %其中meas是150*4的矩陣代表著有150個樣本每個樣本有4個屬性描述

【機器學習】最小二乘法支援向量機LSSVM的數學原理與Python實現

【機器學習】最小二乘法支援向量機LSSVM的數學原理與Python實現 一、LSSVM數學原理 1. 感知機 2. SVM 3. LSSVM 4. LSSVM與SVM的區別 二、LSSVM的py

SVM 支援向量機(2) 軟間隔最大化與核方法

對於某些資料集, 並不能找到一個超平面把它們分開, 也就是說不能找到一組w⃗ ,b, 滿足yi(w⃗ ⋅x⃗ i+b)≥1, 解決辦法就是引入一個鬆弛變數ξi, 讓所有樣本點都滿足yi(w⃗ ⋅x⃗ i+b)≥1−ξi, 這樣得到一個新的約束條件, 可以注意到ξ

機器學習——支援向量機SVM之軟間隔與正則化

1、在SVM基本型的討論中，我們一直假定樣本在樣本空間或特徵空間中是線性可分的，即存在一個超平面能將不同類的樣本完全劃分開 2、然而現實任務中往往很難確定合適的核函式使得訓練樣本在特徵空間中線性可分，即使恰好找到某個核函式使訓練集樣本在特徵空間中線性可分，也很難判斷是否

支援向量機 （SMO演算法原理與簡化版實現）

SMO演算法原理及實現 支援向量機的學習問題本質上是求解凸二次規劃問題 SMO演算法 序列最小最優化演算法就是求解該問題的代表性演算法 SMO演算法 解決的凸二次規劃的對偶問題: mina12∑i=1N∑j=1NαiαjyiyjK(xi,xj)−∑i=1

讀書筆記：機器學習實戰(5)——章6的支援向量機程式碼和個人理解與註釋

時隔好久，前幾章部落格是去年看的時候寫的，後來只看書沒有繼續寫，再後來忙著專案，連書都很少看了。然後是忙完專案後的空白期的瘋狂看書，看了很多資料結構演算法，設計模式，程式碼整潔，專案可重構方面的書。年後重新把《機器學習實戰》後面的章節讀完，現在開始整理筆記。

支援向量機 (三)： 優化方法與支援向量迴歸

拉格朗日乘子法 - KKT條件 - 對偶問題 支援向量機 (一)： 線性可分類 svm 支援向量機 (二)： 軟間隔 svm 與 核函式 支援向量機 (三)： 優化方法與支援向量迴歸 優化方法 一、SMO演算法 回顧 支援向量機 (二) 中 \((1.7)\) 式最後要求解的優化問題： \[ \begi

matlab進行支援向量機（SVM）模型訓練,Libsvm進行svm模型訓練詳解

在matlab中進行SVM模型訓練，通常有兩種選擇：注意： a、如果matlab安裝了LibSVM，在使用matlab自帶的SVM時，需要進行搜尋路徑重新設定      路徑重新設定方法：在matlab軟體主視窗中【主頁】--【設定路徑】移除所有與libsvm相關的路徑。

機器學習之分類器——Matlab中各種分類器的使用總結（隨機森林、支援向量機、K近鄰分類器、樸素貝葉斯等）

      Matlab中常用的分類器有隨機森林分類器、支援向量機（SVM）、K近鄰分類器、樸素貝葉斯、整合學習方法和鑑別分析分類器等。各分類器的相關Matlab函式使用方法如下：首先對以下介紹中所用到的一些變數做統一的說明：    train_data——訓練樣本，矩陣的每

《SVM筆記系列之六》支援向量機中的核技巧那些事兒

《SVM筆記系列之六》支援向量機中的核技巧那些事兒 前言 我們在前文[1-5]中介紹了線性支援向量機的原理和推導，涉及到了軟和硬的線性支援向量機，還有相關的廣義拉格朗日乘數法和KKT條件等。然而，光靠著前面介紹的這些內容，只能夠對近似於線性可分的資料進行分割，而不能對非線性的資料

支援向量機中相關問題思考

1.SVM的基本想法就是求解能正確劃分訓練樣本並且其幾何間隔最大化的超平面。 2.引入對偶演算法求解支援向量機的引數： 對偶問題往往更加容易求解； 可以自然的引用核函式（拉格朗日表達式裡面有內積，而核函式也是通過內積進行對映的）。 3.使用核函式：將輸入特徵（線性不可分）對

SVM支援向量機系列理論（五）SVM中幾種核函式的對比

核函式可以代表輸入特徵之間特殊的相似性。 5.1 線性核 形式： K(x,x′)=xTx′ K ( x ,

python opencv3.x中支援向量機（svm）模型儲存與載入問題

親自驗證，可以解決svm的模型載入問題:     import numpy as np     from sklearn import datasets         &nb

Python中的支援向量機SVM的使用（有例項）

轉載自https://www.cnblogs.com/luyaoblog/p/6775342.html。謝謝作者整理，若侵權告知即刪。 除了在Matlab中使用PRTools工具箱中的svm演算法，Python中一樣可以使用支援向量機做分類。因為Python中的sklearn庫也集成了SVM演算

簡單粗暴理解支援向量機（SVM）及其MATLAB例項

目錄 SVM概述 QP求解 SVM概述 SVM已經是非常流行、大家都有所耳聞的技術了。網路上也有很多相關的部落格，講解得都非常詳細。如果你要從零開始推導一個SVM，細緻摳它全程的數學原理，我建議可以閱讀此篇文章：Zhang Hao的《從零構建支援向

Spark中元件Mllib的學習28之支援向量機SVM-方法1

支援向量機(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等於1995年首先提出的，它在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，並能夠推廣應用到函式擬合等其他機器學習問題中。 SVM的