[筆記] LibSVM for matlab 安裝教學&使用方法

最近因課程需要，

所以必須學習這項東西，

自己看了一下~@@

沒想到這個東西這麼方便的說XD…

總之廢話不多說，

開始教學囉!

首先請準備好以下的軟體或library：

1.Visual studio 2010(Express or Pro都可)

2.Matlab 2010b(官網連結)

3.LibSVM Library(請至官網下載)

之後請遵循以下步驟進行操作：

Step1：安裝Visual studio 2010

Step2：安裝Matlab 2010b

從Step3開始就是重頭戲囉!!請大家注意囉!!!XD

Step3：開啟Matlab 2010b

Step4：輸入"mex –setup"指令，並根據以下截圖依序操作，以進行c++ compiler的導入

Step5：將LibSVM的壓縮包解開，並利用Matlab左側"目前目錄"移至LibSVM目錄底下，如下圖所示：

Step6：為了方便起見，請將libsvm根目錄底下的heart_scale(等會測試用)、svm.cpp、svm.def、svm.h、svm.obj、svm-predict.c、svm-scale.c與svm-train.c複製到其內之matlab目錄底下，如下圖所示：

Step7：輸入"Make"，等待SVM complie完成

做完以上步驟我們的SVM tool環境建構就算是大功告成拉!!

接下來就來示範一下LibSVM內附的心臟病dataset範例啦!

Step8：輸入"[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');"，將心臟病資料load進matlab

補充：heart_scale資料結構其實非常簡單，左邊第一個值就是所謂的desired output，右邊的x:都代表這個sample的features，而在下面的例子中，總共有13個feature，其Desired output為：+1：

+1 1:0.708333 2:1 3:1 4:-0.320755 5:-0.105023 6:-1 7:1 8:-0.419847 9:-1 10:-0.225806 12:1 13:-1
-1 1:0.583333 2:-1 3:0.333333 4:-0.603774 5:1 6:-1 7:1 8:0.358779 9:-1 10:-0.483871 12:-1 13:1

Step9：輸入"model = svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07');"，開始進行資料訓練

(ps. c代表懲罰成本 g代表γ常數值的設定 剩下的參數請參考下列資料(資料來源：LibSVM官網)：

options:
-s svm_type : set type of SVM (default 0)
	0 -- C-SVC
	1 -- nu-SVC
	2 -- one-class SVM
	3 -- epsilon-SVR
	4 -- nu-SVR
-t kernel_type : set type of kernel function (default 2)
	0 -- linear: u'*v
	1 -- polynomial: (gamma*u'*v + coef0)^degree
	2 -- radial basis function: exp(-gamma*|u-v|^2)
	3 -- sigmoid: tanh(gamma*u'*v + coef0)
-d degree : set degree in kernel function (default 3)
-g gamma : set gamma in kernel function (default 1/num_features)
-r coef0 : set coef0 in kernel function (default 0)
-c cost : set the parameter C of C-SVC, epsilon-SVR, and nu-SVR (default 1)
-n nu : set the parameter nu of nu-SVC, one-class SVM, and nu-SVR (default 0.5)
-p epsilon : set the epsilon in loss function of epsilon-SVR (default 0.1)
-m cachesize : set cache memory size in MB (default 100)
-e epsilon : set tolerance of termination criterion (default 0.001)
-h shrinking: whether to use the shrinking heuristics, 0 or 1 (default 1)
-b probability_estimates: whether to train a SVC or SVR model for probability estimates, 0 or 1 (default 0)
-wi weight: set the parameter C of class i to weight*C, for C-SVC (default 1)

)

 

 

 

 

 

Step10：輸入"[predict_label, accuracy, dec_values] = svmpredict(heart_scale_label, heart_scale_inst, model);"，測試分類結果，跑出分類正確率

以下就是跑出來的結果：

是不是很簡單容易呢!!!XD

相信對一些須使用SVM進行相關研究的人一定有幫助的!!

Good luck!