如何利用python使用libsvm

Posted 2023-05-17

　把包解压在C盘之中，如：C:\\libsvm-3.182.
　　因为要用libsvm自带的脚本grid.py和easy.py,需要去官网下载绘图工具gnuplot,解压到c盘.进入c:\\libsvm\\tools目录下，用文本编辑器（记事本，edit都可以）修改grid.py和easy.py两个文件，找到其中关于gnuplot路径的那项，根据实际路径进行修改，并保存
　　python与libsvm的连接（参考SVM学习笔记（2）LIBSVM在python下的使用）

　　1.打开IDLE(pythonGUI)，输入>>>importsys>>>sys.version
　　2.如果你的python是32位，将出现如下字符：
　　(default,Apr102012,23:31:26)[MSCv.150032bit(Intel)]’
　　这个时候LIBSVM的python接口设置将非常简单。在libsvm-3.16文件夹下的windows文件夹中找到动态链接库libsvm.dll，将其添加到系统目录，如`C:\\WINDOWS\\system32\\’，即可在python中使用libsvm
　　wk_ad_begin(pid : 21);wk_ad_after(21, function()$(\'.ad-hidden\').hide();, function()$(\'.ad-hidden\').show(););
　　3.执行一个小例子

　　importos
　　os.chdir(\'C:\\libsvm-3.18\\python\')#请根据实际路径修改
　　fromsvmutilimport*
　　y,x=svm_read_problem(\'../heart_scale\')#读取自带数据
　　m=svm_train(y[:200],x[:200],\'-c4\')
　　p_label,p_acc,p_val=svm_predict(y[200:],x[200:],m)
　　##出现如下结果，应该是正确安装了optimizationfinished,#iter=257nu=0.351161
　　obj=-225.628984,rho=0.636110nSV=91,nBSV=49
　　TotalnSV=91

　　Accuracy=84.2857%(59/70)(classification) 参考技术A 　把包解压在C盘之中，如：C:\libsvm-3.182.
　　因为要用libsvm自带的脚本grid.py和easy.py,需要去官网下载绘图工具gnuplot,解压到c盘.进入c:\libsvm\tools目录下，用文本编辑器（记事本，edit都可以）修改grid.py和easy.py两个文件，找到其中关于gnuplot路径的那项，根据实际路径进行修改，并保存
　　python与libsvm的连接（参考SVM学习笔记（2）LIBSVM在python下的使用）

　　1.打开IDLE(pythonGUI)，输入>>>importsys>>>sys.version
　　2.如果你的python是32位，将出现如下字符：
　　(default,Apr102012,23:31:26)[MSCv.150032bit(Intel)]’
　　这个时候LIBSVM的python接口设置将非常简单。在libsvm-3.16文件夹下的windows文件夹中找到动态链接库libsvm.dll，将其添加到系统目录，如`C:\WINDOWS\system32\’，即可在python中使用libsvm
　　wk_ad_begin(pid : 21);wk_ad_after(21, function()$('.ad-hidden').hide();, function()$('.ad-hidden').show(););
　　3.执行一个小例子

　　importos
　　os.chdir('C:\libsvm-3.18\python')#请根据实际路径修改
　　fromsvmutilimport*
　　y,x=svm_read_problem('../heart_scale')#读取自带数据
　　m=svm_train(y[:200],x[:200],'-c4')
　　p_label,p_acc,p_val=svm_predict(y[200:],x[200:],m)
　　##出现如下结果，应该是正确安装了optimizationfinished,#iter=257nu=0.351161
　　obj=-225.628984,rho=0.636110nSV=91,nBSV=49
　　TotalnSV=91

　　Accuracy=84.2857%(59/70)(classification)

如何在 python 中使用 libSVM 计算精度、召回率和 F 分数

【中文标题】如何在 python 中使用 libSVM 计算精度、召回率和 F 分数

【英文标题】：How to calculate precision, recall and F-score with libSVM in python

【发布时间】：2013-05-31 10:43:44

【问题描述】：

我想在 Python 中使用 libsvm 计算 precision、recall 和 f-score，但我不知道如何。我找到了this site，但我不明白如何调用该函数，如果你能通过示例帮助我。

【参考方案1】：

您可以利用 scikit-learn，它是 Python 中机器学习的最佳软件包之一。它的 SVM 实现使用libsvm，您可以计算出精度、召回率和 f-score，如下面的 sn-p 所示：

from sklearn import svm
from sklearn import metrics
from sklearn.cross_validation import train_test_split
from sklearn.datasets import load_iris

# prepare dataset
iris = load_iris()
X = iris.data[:, :2]
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# svm classification
clf = svm.SVC(kernel='rbf', gamma=0.7, C = 1.0).fit(X_train, y_train)
y_predicted = clf.predict(X_test)

# performance
print "Classification report for %s" % clf
print
print metrics.classification_report(y_test, y_predicted)
print
print "Confusion matrix"
print metrics.confusion_matrix(y_test, y_predicted)

这将产生类似这样的输出：

Classification report for SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.7,
kernel=rbf, max_iter=-1, probability=False, shrinking=True, tol=0.001,
verbose=False)

             precision    recall  f1-score   support

          0       1.00      1.00      1.00         9
          1       0.90      0.69      0.78        13
          2       0.64      0.88      0.74         8

avg / total       0.86      0.83      0.84        30


Confusion matrix
[[9 0 0]
 [0 9 4]
 [0 1 7]]

当然，您可以使用您提到的libsvm tools，但它们仅适用于二进制分类，而scikit允许您使用多类。

【讨论】：

您正在加载什么数据集？例如，如果我的数据集在文本文件中，如何使用它们？

在示例中，我使用了一个名为 iris 的预定义数据集，它带有 scikit-learn。对于特定数据集，您需要将文本数据转换为 numpy 矩阵。