基於libsvm庫的python支援向量機(SVM)簡明乾貨
最近專案在搞模式識別，通過支援向量機的方法來進行分類，網上看到了python程式碼，但是，只能做到二維分類。
維數上去之後，沒有辦法有效識別，這個svm的程式碼有序有時間的話，我會寫好一份多維特徵量判別的程式碼發上來。
話題開始，先簡單說說支援向量機：
支援向量機SVM,是人工智慧領域一類比較常用的有效分類方式，通過尋找全域性最優支援向量，將平面或者超平面分割為兩個部分，
這兩個部分可以通過一個線性函式或者非線性函式f(x)來實現劃分，這個f(x)的定義式：
f(x)=[W].T*x+b
後面的T代表矩陣的轉置，這裡的自變數x∈Rn，也就是我們說的n維向量，我們可以通過一個一維陣列來表示，陣列成員數就是n。
所謂的支援向量機訓練操作就是在尋找一個W和b這樣的常數矩陣，可以看做是在解W.和b的過程。
我們訓練好這兩個引數之後，再把我們想要測試的x值帶到這裡面去，就可以知道這個樣本屬於哪一類了。
結果
y=sgn(f(x))
習慣上用符號函式來表示，這種表示方法與支援向量機裡面的建模函式有關，這裡不詳說。意思就是隻需比較這個結果是否為0即可判別屬於哪類。
臺灣大學的林教授給我們提供好了一個SVM的庫，這個庫提供原始碼，感興趣的可以去下載下，下載地址百度、谷歌libsvm即可，這裡講用法。
講libsvm資料夾下面windows資料夾中的libsvm.dll檔案拷貝到windows\system32資料夾下，現在的這些編譯版本網上說基本是64位的了，所以直接複製過去就行，
不過我下載的這個版本，在README檔案中，說這個libsvm.dll檔案還是32位的，如果說Python是32位的，檢視python是否為32位的輸入：
import sys
sys.version
即可
如果是32位的python可以把原始碼編譯下，vs編譯就行。
如果嫌棄編譯太麻煩，可以這樣做：
把這個libsvm.dll檔案放在當前目錄的：
../windows/libsvm.dll這個路徑就可以了，注意哦，上面可是兩個dot，如果這個都不知道什麼意思，看看libsvm的目錄結構中windows資料夾在哪就知道了。
我們在libsvm\python資料夾下面新建一個檔案：1.py
這裡面為什麼我們在python資料夾下建這個1.py檔案，是因為這個資料夾下面有兩個.py檔案，這兩個檔案是我們這裡的依賴檔案，所以，這個必須得有，如果你想把這個指令碼整體轉移到其他目錄中，不要忘記了，你需要把上面windows資料夾轉移了，或者放在系統的windows\system32目錄中，同時，別忘了這兩個Py檔案，當然，你也可以放在python安裝目錄中，不過，不太建議這樣，總感覺這樣做耦合關係有點兒大。
程式碼：
from svmutil import *
y, x = svm_read_problem('../heart_scale')
a=y[:60]
b=x[:60]
#print b
m = svm_train(a,b)
p_label1, p_acc, p_val = svm_predict(a,b, m)
a = y[61:121]
b = x[61:121]
p_label2, p_acc, p_val = svm_predict(a,b, m)
print(p_label1)
print(p_label2)
#svm_save_model("sss.txt",m)
if p_label1==p_label2:
print("true")這段程式碼有用的就三句：
y, x = svm_read_problem('../heart_scale')
讀檔案，y和x代表什麼.print出來，然後對照../heart_scale檔案就知道了。
m = svm_train(a,b)
訓練函式，
p_label2, p_acc, p_val = svm_predict(a,b, m)
測試訓練結果，主要顯示精度，精度與c g 引數有關，可以通過svm_scale，tools/easy.py等來提高精度。方法網上太多，不多說了。
說一句關鍵的，訓練好支援向量之後怎麼用？
這裡的svm_predict函式可以充當決策函式的作用，返回值p_label中的1和-1即代表了兩類資料集。所以那裡面的a引數只要保證維數與b相同即可。
上面的程式碼仔細看懂即可理解這個關係。