使用LIBSVM工具进行支持向量机分类优化

1.LIBSVM工具

随着支持向量机的发展，相关研究人员开发出了一些支持向量机工具软件，其中比较有代表性的是LIBSVM。林智仁（LinChih-Jen）是台湾大学的副教授，研究支持向量机多年，他所开发的LIBSVM支持向量机工具包不但简单易用而且性能良好。工具包提供了多种支持向量机回归与分类的用法，包括C-SVM分类、γ-SVM分类、ε-SVM回归和γ-SVM回归等。在解决多类分类问题中，提供了一对一和一对多两种算法。无论是使用分类算法还是使用回归算法，都可以对惩罚因子C和高斯核半径γ等参数进行交叉验证，搜索最优参数。在核函数的选择中，支持向量机工具包提供了多种供选择，包括最为常用的高斯核函数、多项式核函数等。

2.LIBSVM分类与回归流程

LIBSVM进行分类与回归的流程如图9-11所示。

图9-11 LIBSVM分类与回归流程

C—惩罚因子 γ—高斯核半径(www.xing528.com)

3.LIBSVM样本数据格式

LIBSVM的样本数据格式为：

[label1][index1]：[value1][index2]：[value2]…

[label2][index1]：[value1][index2]：[value2]…

[labeln][index1]：[value1][index2]：[value2]…

其中每行都是一个训练数据样本，[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，代表某个自变量的序号或是索引，必须按升序排列；[value]为实数，也就是我们常说的自变量或特征值。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。每对特征序号与特征值用空格隔开。