php怎么加载libsvm，求详细过程
答案:2 悬赏:0 手机版
解决时间 2021-02-09 17:28
- 提问者网友：咪咪
- 2021-02-09 11:20
libsvm-3.21和svm-0.1.9已经下载好了，接下来该怎么做，求大神
最佳答案
- 五星知识达人网友：走死在岁月里
- 2021-02-09 11:46
目前主要有两种.NET版本的svm： libsvm.NET 和svm.Net还要努力啊
libsvm是著名的SVM开源组件，目前有Java.C/C++,.NET 等多个版本，本人使用的是2.82
libsvm命名空间下主要使用类：
svm_model 为模型类，通过训练或加载训练好的模型文件获得
svm_parameter 为参数类，主要为支持向量机设定参数，具体参数如下：
svm_parameter.svm_type
svm类型：SVM设置类型(默认svm_parameter.C_SVC)
svm_parameter.C_SVC -- C-SVC n(n>=2)分类器，允许用异常值惩罚因子C进行不完全分类。
svm_parameter.NU_SVC -- ν-SVC n类似然不完全分类的分类器。参数nu取代了c，其值在区间【0，1】中，nu越大，决策边界越平滑。
svm_parameter.ONE_CLASS – 一类SVM 单分类器，所有的训练数据提取自同一个类里，然後SVM建立了一个分界线以分割该类在特征空间中所占区域和其它类在特征空间中所占区域。
svm_parameter.EPSILON_SVR -- ε -SVR 回归。 训练集中的特征向量和拟合出来的超平面的距离需要小于p。异常值惩罚因子C被采用。
svm_parameter.NU_SVR -- ν-SVR 回归；nu 代替了p
svm_parameter.kernel_type
核函数类型：核函数设置类型(svm_parameter.LINEAR)
svm_parameter.LINEAR – 线性：u'×v - 没有任何向映射至高维空间，线性区分（或回归）在原始特征空间中被完成，这是最快的选择。 d(x,y) = x?y == (x,y)
svm_parameter.POLY– 多项式：(γ×u'×v + coef0)^degree - 多项式核: d(x,y) = (gamma*(x?y)+coef0)degree
svm_parameter.RBF – RBF函数：exp(-γ×|u-v|^2) - 径向基，对于大多数情况都是一个较好的选择：d(x,y) = exp(-gamma*|x-y|2)
svm_parameter.SIGMOID – sigmoid：tanh(γ×u'×v + coef0) - sigmoid函数被用作核函数: d(x,y) = tanh(gamma*(x?y)+coef0)
degree, gamma, coef0：都是核函数的参数，具体的参见上面的核函数的方程。
svm_parameter.degree
核函数中的degree设置(默认3)
svm_parameter.coef0
核函数中的coef0设置(默认0)
svm_parameter.shrinking
是否使用启发式，0或1(默认1)
svm_parameter.nu
设置ν-SVC，一类SVM和ν- SVR的参数(默认0.5)
svm_parameter.C
设置C-SVC，ε -SVR和ν-SVR的参数(默认1)
svm_parameter.cache_size
设置cache内存大小，以MB为单位(默认40)
svm_problem 相当于训练集合，可讲需要训练的数据加入该类传递给训练器
svm_node 内部使用的数据结构，主要用于保存待训练数据
svm 主调用程序中我们一般使用以下几个方法：
svm.svm_train(svm_problem,svm_parameter) 该方法返回一个训练好的svm_model
svm.svm_load_model(文件名); 该方法返回一个训练好的svm_model
svm.svm_save_model(文件名,svm_model); 该方法将svm_model保存到文件中
svm.svm_predict_values(svm_model,svm_node,double); 该方法返回doule类值，svm_node对svm_model测试，返回值确定了svm_node在模型中的定位
libsvm是著名的SVM开源组件，目前有Java.C/C++,.NET 等多个版本，本人使用的是2.82
libsvm命名空间下主要使用类：
svm_model 为模型类，通过训练或加载训练好的模型文件获得
svm_parameter 为参数类，主要为支持向量机设定参数，具体参数如下：
svm_parameter.svm_type
svm类型：SVM设置类型(默认svm_parameter.C_SVC)
svm_parameter.C_SVC -- C-SVC n(n>=2)分类器，允许用异常值惩罚因子C进行不完全分类。
svm_parameter.NU_SVC -- ν-SVC n类似然不完全分类的分类器。参数nu取代了c，其值在区间【0，1】中，nu越大，决策边界越平滑。
svm_parameter.ONE_CLASS – 一类SVM 单分类器，所有的训练数据提取自同一个类里，然後SVM建立了一个分界线以分割该类在特征空间中所占区域和其它类在特征空间中所占区域。
svm_parameter.EPSILON_SVR -- ε -SVR 回归。 训练集中的特征向量和拟合出来的超平面的距离需要小于p。异常值惩罚因子C被采用。
svm_parameter.NU_SVR -- ν-SVR 回归；nu 代替了p
svm_parameter.kernel_type
核函数类型：核函数设置类型(svm_parameter.LINEAR)
svm_parameter.LINEAR – 线性：u'×v - 没有任何向映射至高维空间，线性区分（或回归）在原始特征空间中被完成，这是最快的选择。 d(x,y) = x?y == (x,y)
svm_parameter.POLY– 多项式：(γ×u'×v + coef0)^degree - 多项式核: d(x,y) = (gamma*(x?y)+coef0)degree
svm_parameter.RBF – RBF函数：exp(-γ×|u-v|^2) - 径向基，对于大多数情况都是一个较好的选择：d(x,y) = exp(-gamma*|x-y|2)
svm_parameter.SIGMOID – sigmoid：tanh(γ×u'×v + coef0) - sigmoid函数被用作核函数: d(x,y) = tanh(gamma*(x?y)+coef0)
degree, gamma, coef0：都是核函数的参数，具体的参见上面的核函数的方程。
svm_parameter.degree
核函数中的degree设置(默认3)
svm_parameter.coef0
核函数中的coef0设置(默认0)
svm_parameter.shrinking
是否使用启发式，0或1(默认1)
svm_parameter.nu
设置ν-SVC，一类SVM和ν- SVR的参数(默认0.5)
svm_parameter.C
设置C-SVC，ε -SVR和ν-SVR的参数(默认1)
svm_parameter.cache_size
设置cache内存大小，以MB为单位(默认40)
svm_problem 相当于训练集合，可讲需要训练的数据加入该类传递给训练器
svm_node 内部使用的数据结构，主要用于保存待训练数据
svm 主调用程序中我们一般使用以下几个方法：
svm.svm_train(svm_problem,svm_parameter) 该方法返回一个训练好的svm_model
svm.svm_load_model(文件名); 该方法返回一个训练好的svm_model
svm.svm_save_model(文件名,svm_model); 该方法将svm_model保存到文件中
svm.svm_predict_values(svm_model,svm_node,double); 该方法返回doule类值，svm_node对svm_model测试，返回值确定了svm_node在模型中的定位
全部回答
- 1楼网友：街头电车
- 2021-02-09 12:18
svm的参数选择算法，有网格搜索，遗传算法，公式法等……
这三个算法时间复杂度 网格搜索> 遗传算法> 公式法
效果好坏 网格搜索< 遗传算法< 公式法
至于参数验证算法一般是采用 n折 交叉验证法。。n一般是取10.。。。。
总之。。你以“svm” “网格搜索法” “交叉验证法”为关键字，搜索几篇论文看看就行了……
不明白的 还可以再问我……
我要举报
如以上回答内容为低俗、色情、不良、暴力、侵权、涉及违法等信息，可以点下面链接进行举报！
点此我要举报以上问答信息
大家都在看
推荐资讯