【机器学习】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

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:-0.433962 5:-0.383562 6:-1 7:-1 8:0.0687023 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

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

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！

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 。

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。

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。

【机器学习】svm模型训练后的参数说明相关推荐

python sklearn svm 模型训练后的参数说明
在调用sklearn的SVM时,如果设置verbose=True,模型训练结束后会显示一些训练过程的说明信息,如下(以下是OCSVM的返回结果): * optimization finished, # ...
谷歌大规模机器学习：模型训练、特征工程和算法选择 (32PPT下载)
本文转自:http://mp.weixin.qq.com/s/Xe3g2OSkE3BpIC2wdt5J-A 谷歌大规模机器学习:模型训练.特征工程和算法选择 (32PPT下载) 2017-01-26 ...
Scikit-Learn 机器学习笔记 -- 模型训练
Scikit-Learn 机器学习笔记 – 模型训练参考文档: handson-ml import numpy as np from matplotlib import pyplot as plt# ...
SVM学习（一）SVM模型训练与分类
SVM模型训练与分类支持向量机(SVM): 一个能够将不同类样本在样本空间分隔的超平面.换句话说,给定一些标记好的训练本(监督式学习),SVM算法输出一个最优化的超分隔平面.本次利用VS2015+O ...
opencv C++ SVM模型训练与分类实现
最近想学习一下分类算法的内容,恰好opencv有SVM的函数,故先从这个下手.找了许多资料,发现要么是opencv2.3的,要么就没有具体实现代码,学习还是把代码与原理一起结合来看比较好. 其中,我主 ...
机器学习_XGB模型训练内存溢出解决方案
在我们的机器学习任务之中,当数据量非常之大的时候.我们会在两个地方遇到内存溢出的情况. 数据读取与处理模型训练之前笔者有写过数据读取与处理解决内存溢出的相关处理方案(核心是用生成器分批处理) 可以 ...
睁闭眼状态检测——SVM模型训练
前言 svm训练模型相当简单,难的是提取特征这一步,这里介绍了一个睁闭眼检测功能从提取特征到预测的全过程. 首先,需要准备数据,我这里有睁眼和闭眼的照片各3000张,传统的机器学习方法都需要提取特征, ...
机器学习之模型训练（二）皮马印第安人糖尿病数据集
1. 数据说明: Pima Indians Diabetes Data Set(皮马印第安人糖尿病数据集) 根据现有的医疗信息预测5年内皮马印第安人糖尿病发作的概率. 数据链接:https://arc ...
混淆矩阵评价指标_机器学习：模型训练和评估——分类效果的评价
图 | 源网络文 | 5号程序员分类模型建立好后,这个模型到底符不符合要求要怎么评判呢? 事实上是有评价标准的. 要评价模型在测试集上预测结果的好坏,可以使用Sklearn库中的metrics模块方 ...

【机器学习】svm模型训练后的参数说明

【机器学习】svm模型训练后的参数说明相关推荐

最新文章

热门文章