1. libsvm提供的数据集下载
猜测。
既然是libsvm组件， 那数据格式应该默认就是Libsvm格式
label id:weighti id:weight...
label id:weighti id:weight...
这种
2. svm 分类器需要对数据集处理吗
任何数据挖掘前 都需要对数据集进行预处理 从而使挖掘结果更准确
3. 哪位朋友能介绍一下支持向量机工具libsvm的用法
LIBSVM的简单介绍 2006-09-20 15:59:48
大 中 小
1. LIBSVM 软件包简介
LIBSVM 是台湾大学林智仁(Chih-Jen Lin)博士等开发设计的一个操作简单、易于使用、快速有效的通用SVM 软件包，可以解决分类问题（包括C- SVC、n - SVC ）、回归问题（包括e - SVR、n - SVR ）以及分布估计（one-class-SVM ）等问题，提供了线性、多项式、径向基和S形函数四种常用的核函数供选择，可以有效地解决多类问题、交叉验证选择参数、对不平衡样本加权、多类问题的概率估计等。LIBSVM 是一个开源的软件包，需要者都可以免费的从作者的个人主页http://www.csie.ntu.e.tw/~cjlin/
处获得。他不仅提供了LIBSVM的C++语言的算法源代码，还提供了Python、Java、R、MATLAB、Perl、Ruby、LabVIEW以及C#.net 等各种语言的接口，可以方便的在Windows 或UNIX 平台下使用。另外还提供了WINDOWS 平台下的可视化操作工具SVM-toy，并且在进行模型参数选择时可以绘制出交叉验证精度的等高线图。
2. LIBSVM 使用方法简介
LibSVM是以源代码和可执行文件两种方式给出的。如果是Windows系列操作系统，可以直接使用软件包提供的程序，也可以进行修改编译；如果是Unix类系统，必须自己编译。
LIBSVM 在给出源代码的同时还提供了Windows操作系统下的可执行文件，包括：进行支持向量机训练的svmtrain.exe；根据已获得的支持向量机模型对数据集进行预测的svmpredict.exe；以及对训练数据与测试数据进行简单缩放操作的svmscale.exe。它们都可以直接在DOS 环境中使用。如果下载的包中只有C++的源代码，则也可以自己在VC等软件上编译生成可执行文件。
3. LIBSVM 使用的一般步骤是：
1） 按照LIBSVM软件包所要求的格式准备数据集；
2） 对数据进行简单的缩放操作；
3） 考虑选用RBF 核函数；
4） 采用交叉验证选择最佳参数C与g ；
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；
6） 利用获取的模型进行测试与预测。
4. LIBSVM使用的数据格式
1）训练数据和检验数据文件格式如下：
<label> <index1>:<value1> <index2>:<value2> ...
其中<label> 是训练数据集的目标值，对于分类，它是标识某类的整数(支持多个类)；对于回归，是任意实数。<index> 是以1开始的整数，可以是不连续的；<value>为实数，也就是我们常说的自变量。检验数据文件中的label只用于计算准确度或误差，如果它是未知的，只需用一个数填写这一栏，也可以空着不填。
在程序包中，还包括有一个训练数据实例：heart_scale，方便参考数据文件格式以及练习使用软件。可以编写小程序，将自己常用的数据格式转换成这种格式
2）Svmtrain和Svmpredict的用法
LIBSVM软件提供的各种功能都是DOS命令执行方式。我们主要用到两个程序，svmtrain(训练建模)和svmpredict(使用已有的模型进行预测)，下面分别对这两个程序的使用方法、各参数的意义以及设置方法做一个简单介绍：
（1）Svmtrain的用法：
svmtrain [options] training_set_file [model_file]
Options：可用的选项即表示的涵义如下
-s svm类型：SVM设置类型(默认0)
0 -- C-SVC
1 --v-SVC
2 – 一类SVM
3 -- e -SVR
4 -- v-SVR
-t 核函数类型：核函数设置类型(默认2)
0 – 线性：u'v
1 – 多项式：(r*u'v + coef0)^degree
2 – RBF函数：exp(-r|u-v|^2)
3 –sigmoid：tanh(r*u'v + coef0)
-d degree：核函数中的degree设置(默认3)
-g 函数设置(默认1/ k)r(gama)：核函数中的
-r coef0：核函数中的coef0设置(默认0)
-c cost：设置C-SVC， -SVR的参数(默认1)-SVR和
- SVR的参数(默认0.5)-SVC，一类SVM和-n nu：设置
-SVR-p e：设置的值(默认0.1)中损失函数
-m cachesize：设置cache内存大小，以MB为单位(默认40)
-e ：设置允许的终止判据(默认0.001)
-h shrinking：是否使用启发式，0或1(默认1)
-wi C(C-SVC中的C)(默认1)weight：设置第几类的参数C为weight
-v n: n-fold交互检验模式
其中-g选项中的k是指输入数据中的属性数。option -v 随机地将数据剖分为n部分并计算交互检验准确度和均方根误差。以上这些参数设置可以按照SVM的类型和核函数所支持的参数进行任意组合，如果设置的参数在函数或SVM类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。training_set_file是要进行训练的数据集；model_file是训练结束后产生的模型文件，文件中包括支持向量样本数、支持向量样本以及lagrange系数等必须的参数；该参数如果不设置将采用默认的文件名，也可以设置成自己惯用的文件名。
（2）Svmpredict的用法：
svmpredict test_file model_file output_file
model_file 是由svmtrain产生的模型文件；test_file是要进行预测的数据文件；Output_file是svmpredict的输出文件。svm-predict没有其它的选项。
下面是具体的使用例子
svmtrain -s 0 -c 1000 -t 1 -g 1 -r 1 -d 3 data_file
训练一个由多项式核(u'v+1)^3和C=1000组成的分类器。
svmtrain -s 1 -n 0.1 -t 2 -g 0.5 -e 0.00001 data_file =-SVM (在RBF核函数exp(-0.5|u-v|^2)和终止允许限0.00001的条件下，训练一个 0.1)分类器。 svmtrain -s 3 -p 0.1 -t 0 -c 10 data_file =以线性核函数u'v和C=10及损失函数 0.1求解SVM回归。
4. 请问怎么计算图片大小呢 有500张图片，是500*500/每张，RVB格式，24bits,图片的总量是多少呢 谢谢！
如果按照用32位来表示一个像素点的RGB值的话，应该是4个字节
640×480×4=1228800字节
1228800÷1024÷1024=1.171875兆(M)
5. python svm 怎么训练模型
支持向量机SVM(Support Vector Machine)是有监督的分类预测模型，本篇文章使用机器学习库scikit-learn中的手写数字数据集介绍使用Python对SVM模型进行训练并对手写数字进行识别的过程。
准备工作
手写数字识别的原理是将数字的图片分割为8X8的灰度值矩阵，将这64个灰度值作为每个数字的训练集对模型进行训练。手写数字所对应的真实数字作为分类结果。在机器学习sklearn库中已经包含了不同数字的8X8灰度值矩阵，因此我们首先导入sklearn库自带的datasets数据集。然后是交叉验证库，SVM分类算法库，绘制图表库等。
12345678910#导入自带数据集from sklearn import datasets#导入交叉验证库from sklearn import cross_validation#导入SVM分类算法库from sklearn import svm#导入图表库import matplotlib.pyplot as plt#生成预测结果准确率的混淆矩阵from sklearn import metrics读取并查看数字矩阵
从sklearn库自带的datasets数据集中读取数字的8X8矩阵信息并赋值给digits。
12#读取自带数据集并赋值给digitsdigits = datasets.load_digits()查看其中的数字9可以发现，手写的数字9以64个灰度值保存。从下面的8×8矩阵中很难看出这是数字9。
12#查看数据集中数字9的矩阵digits.data[9]以灰度值的方式输出手写数字9的图像，可以看出个大概轮廓。这就是经过切割并以灰度保存的手写数字9。它所对应的64个灰度值就是模型的训练集，而真实的数字9是目标分类。我们的模型所要做的就是在已知64个灰度值与每个数字对应关系的情况下，通过对模型进行训练来对新的手写数字对应的真实数字进行分类。
1234#绘制图表查看数据集中数字9的图像plt.imshow(digits.images[9], cmap=plt.cm.gray_r, interpolation='nearest')plt.title('digits.target[9]')plt.show()
从混淆矩阵中可以看到，大部分的数字SVM的分类和预测都是正确的，但也有个别的数字分类错误，例如真实的数字2，SVM模型有一次错误的分类为1，还有一次错误分类为7。
6. svm交叉验证是把数据集分成10份还是训练集分成10份
你说的应该是10折交叉验证，是指把数据集分成10份。
机器学习中k折交叉验证是指将数据集分成k份（可以随机切分，也可以按时间切分，但需要确保训练集和测试集同分布），然后，选择一份作为测试集，剩下的k-1份作为训练集，训练完模型后计算一下损失值；接着换另一份作为测试集，剩下的k-1份作为训练集，再训练一个模型，计算一下损失值；类似这样依次选择每一份作为测试集；最后将不同测试集对应的损失值求平均，就得到了最终的模型评价指标。
7. MATLAB中支持向量机SVM预测问题，如何确定数据格式
测试数据要跟训练数据格式一样啊，一般是行代表样本个数，列代表变量个数即n*m表示n个样本m个向量
8. svm的输入和输出问题
你好，LIBSVM简介 [.v5o#Vd
sH:Luo+]
支持向量机所涉及到的数学知识对一般的化学研究者来说是比较难的，自己编程实现该算法难度就更大了。但是现在的网络资源非常发达，而且国际上的科学研究者把他们的研究成果已经放在网络上，免费提供给用于研究目的，这样方便大多数的研究者，不必要花费大量的时间理解SVM算法的深奥数学原理和计算机程序设计。目前有关SVM计算的相关软件有很多，如LIBSVM、mySVM、SVMLight等，这些软件大部分的免费下载地址和简单介绍都可以在[url]
http://www.kernel-machines.org/[/url]上获得。 p q2j j.XL7m4B
LIBSVM是台湾大学林智仁(Lin Chih-Jen)副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，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件还有一个特点，就是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题；并且提供了交互检验(Cross Validation)的功能。该软件包可以在[url]
http://www.csie.ntu.e.tw/~cjlin/[/url]免费获得。该软件可以解决C-SVM分类、-SVM分类、-SVM回归和-SVM回归等问题，包括基于一对一算法的多类模式识别问题。在第2章中我们也介绍了该软件的一些优点，因此通过综合考虑，我们决定采用该软件作为工作软件。SVM用于模式识别或回归时，SVM方法及其参数、核函数及其参数的选择，目前国际上还没有形成一个统一的模式，也就是说最优SVM算法参数选择还只能是凭借经验、实验对比、大范围的搜寻或者利用软件包提供的交互检验功能进行寻优。
4lE qC iC mt'j?)F N"b
LIBSVM使用方法 p-t8\q9P!e(j VL6e
1XP6S+Y zWZ LibSVM是以源代码和可执行文件两种方式给出的。如果是Windows系列操作系统，可以直接使用软件包提供的程序，也可以进行修改编译；如果是Unix类系统，必须自己编译，软件包中提供了编译格式文件，我们在SGI工作站(操作系统IRIX6.5)上，使用免费编译器GNU C++3.3编译通过。 |U4E P })T/u
8rur3[8U.zeQ9VX
LIBSVM使用的数据格式 W2}&p] lU
该软件使用的训练数据和检验数据文件格式如下： x4Vy\ G1y6g\3~
<label> <index1>:<value1> <index2>:<value2> ...
6a X)I&x9l@4cU {2q 其中<label> 是训练数据集的目标值，对于分类，它是标识某类的整数(支持多个类)；对于回归，是任意实数。<index> 是以1开始的整数，可以是不连续的；<value>为实数，也就是我们常说的自变量。检验数据文件中的label只用于计算准确度或误差，如果它是未知的，只需用一个数填写这一栏，也可以空着不填。在程序包中，还包括有一个训练数据实例：heart_scale，方便参考数据文件格式以及练习使用软件。
H'?-]1a%HC Us 可以编写小程序，将自己常用的数据格式转换成这种格式
"pm2M;L7E{~5t
mLf \*?8n"x9A Svmtrain和Svmpredict的用法
g Ddk2C-Cd LIBSVM软件提供的各种功能都是DOS命令执行方式。我们主要用到两个程序，svmtrain(训练建模)和svmpredict(使用已有的模型进行预测)，下面分别对这两个程序的使用方法、各参数的意义以及设置方法做一个简单介绍：
8x*l/L/E0b Svmtrain的用法：svmtrain [options] training_set_file [model_file] U1Nj N e f%W}0R
Options：可用的选项即表示的涵义如下
'fH*{2_5u -s svm类型：SVM设置类型(默认0)
_`"JB+i @9~ 0 -- C-SVC O)Z5y$E$c#Cy
1 --v-SVC
MQ L(d;t 2 – 一类SVM
$E(@D S hN 3 -- e -SVR
] K ]V~ b+t0}2Gl 4 -- v-SVR
J0j5|rJ[ -t 核函数类型：核函数设置类型(默认2)
,p vvLy O 0 – 线性：u'v Cj-A B;jn8Cbk
1 – 多项式：(r*u'v + coef0)^degree 7nq{|q*] @1{3T
2 – RBF函数：exp(-r|u-v|^2) o4S JB-zV2P%?,C
3 –sigmoid：tanh(r*u'v + coef0) \"m w._)u|,Bu4C
-d degree：核函数中的degree设置(默认3) K0?8R!fR;g+W2k
-g r(gama)：核函数中的函数设置(默认1/ k) :u6r%p*o$QG
-r coef0：核函数中的coef0设置(默认0) &xO&LjbX(y
-c cost：设置C-SVC， -SVR和-SVR的参数(默认1) Y:N.Jv8v
-n nu：设置-SVC，一类SVM和- SVR的参数(默认0.5)
;r:h%XN2HH6Bf -p e：设置 -SVR 中损失函数的值(默认0.1) sW'o.m-R7]
-m cachesize：设置cache内存大小，以MB为单位(默认40)
:K ^*y[B E7]\7U -e ：设置允许的终止判据(默认0.001) )rI#@C7F5Q Rw,J R']Vz{
-h shrinking：是否使用启发式，0或1(默认1) "| g6wfu
-wi weight：设置第几类的参数C为weightC(C-SVC中的C)(默认1)
4Rf W-~ |oY] -v n: n-fold交互检验模式 Js}7ee&n\{ c
其中-g选项中的k是指输入数据中的属性数。option -v 随机地将数据剖分为n部分并计算交互检验准确度和均方根误差。以上这些参数设置可以按照SVM的类型和核函数所支持的参数进行任意组合，如果设置的参数在函数或SVM类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。training_set_file是要进行训练的数据集；model_file是训练结束后产生的模型文件，文件中包括支持向量样本数、支持向量样本以及lagrange系数等必须的参数；该参数如果不设置将采用默认的文件名，也可以设置成自己惯用的文件名。 E M%W TF
Svmpredict的用法：svmpredict test_file model_file output_file 1b v R [ ?d
model_file是由svmtrain产生的模型文件；test_file是要进行预测的数据文件；Output_file是svmpredict的输出文件。svm-predict没有其它的选项。 FOiJEO4vsVo#Q
Sx$^&O+K7I@-V;z(M svmtrain -s 0 -c 1000 -t 1 -g 1 -r 1 -d 3 data_file VAHQ!cm+b*Q)t U
训练一个由多项式核(u'v+1)^3和C=1000组成的分类器。 u:p+jD5q"Pr
svmtrain -s 1 -n 0.1 -t 2 -g 0.5 -e 0.00001 data_file
JxJ&A.J8n t/D*[+Kd 在RBF核函数exp(-0.5|u-v|^2)和终止允许限0.00001的条件下，训练一个-SVM ( = 0.1)分类器。
9P |4Q'xM}7mo[K!T svmtrain -s 3 -p 0.1 -t 0 -c 10 data_file
1| A {;}9R{+q I 以线性核函数u'v和C=10及损失函数= 0.1求解SVM回归。;^ 27118希望对你有帮助！
9. svm训练集中正反例的比例为多少合适
不应该人为地修改数据集中正反例的比例，这是因为，机器学习（统计学习）的一个根本要求就是训练集和测试集要服从同一个分布，也就是要求训练集和真实应用场景下是同分布的。所以不应该人为地采样数据集，使得正反例均匀，因为这样就改变了数据集的分布。
10. 如何将数据转换svm格式的数据
Label 1:value 2:value ….
Label：是类别的标识，比如上节train.model中提到的1 -1，你可以自己随意定，比如-10，0，15。当然，如果是回归，这是目标值，就要实事求是了。
Value：就是要训练的数据，从分类的角度来说就是特征值，数据之间用空格隔开
比如: -15 1:0.708 2:1056 3:-0.3333
需要注意的是，如果特征值为0，特征冒号前面的(姑且称做序号)可以不连续