记录在学习ML过程中，在MATLAB中集成LibSVM时遇到的问题

Posted 2020-10-04

 前几天写了一下自己对SVM中关键的距离问题的理解，后面会继续记录自己对该模型其他问题的理解，今天想试试SVM在“西瓜书”那个“阿尔法3.0”数据集上的效果。于是查到了“湾湾”教授林智仁先生大牛等写的一个开源包LibSVM，并且该library可以与很多平台兼容，有很多语言版本，支持java 、C++、C 、MATLAB等，我们可以在林教授主页上下载。LibSVM地址：http://www.csie.ntu.edu.tw/~cjlin/libsvm/，Windows平台下载Zip压缩文件，Linux下则是tar.gz，新版的包为3.x。本人MATLAB开发平台的版本号为Windows下的R2016a，因此，记录R2016a集成该开源包的过程。

  首先，我搜到了faruto大佬在matlabsky发的一个关于该问题的帖子，于是就按照该帖子的叙述进行相关的操作，不过踩到了好几个坑，因为这个帖子是好久之前的，版本比较靠前，所以会有些细节上的不同，不过大致还是可以参考的。而且也有视频的讲解可以参考。

原贴地址：http://www.matlabsky.com/thread-11925-1-1.html

优酷视频：http://v.youku.com/v_showMini/id_XMjc2NTY3MzYw_ft_131.html

   Step1：添加LibSVM的搜索目录（路径）

  点击主页选项卡下的“设置路径”按钮---->点击“添加并包含子文件夹”---->点击“libsvm-3.22”文件夹，选择所在的目录 ---->保存&关闭

  Step2：安装C++编译器

  帖子中先是运行mex -setup，按照提示进行选择，但是我在安装了VC6.0的前后，运行该命令都会报错：“未安装编译器或者SDK”，也就是安装了VC也找不到，我猜测可能是VC太旧。所以换了GCC， 由于开发包是C++开发的，所以需要相关的编译器进行编译后，MATLAB才能够调用。由于新版本的MATLAB支持MinGW（GCC）编译器，而且相对比较小巧，故我选择了安装该编译器（也可以安装VS201X），安装路径最好是“X:\TDM-GCC-64”这种形式，“X”是盘符下载地址：http://tdm-gcc.tdragon.net/download，或者下载网盘数据,链接：http://pan.baidu.com/s/1cMwao2 密码：xh9u 。安装完成后再运行命令“mex -setup”，依然提示错误，该问题可能是GCC的path设置有问题，选择调用setenv(‘MW_MINGW64_LOC‘,folder)函数进行设置，其中folder为GCC的路径，例如：setenv(‘MW_MINGW64_LOC‘,‘D:\TDM-GCC-64‘) ；运行该命令后再mex -setup ，OK，可以！

  Step3：make.m编译相关的C++文件（主要是train和predict源文件）

  紧随Step2，选择当前目录为Libsvm，然后运行make脚本（当前目录设置为Libsvm是防止MATLAB中有与make同名的脚本），本以为已经成功集成，谁料依然出错“No such file or directory......”,实在是有一种fuck dog的感觉，继续填坑，查阅其他博客，幸好有人遇到过同样的问题，make脚本文件中将配置MATLAB对应的代码行进行修改，具体将“CFLAGS”修改为“COMPFLAGS”可以用ctr+F然后点击全部替换可以更快。完成以上操作之后，再运行make脚本函数，成功运行，在当前文件夹（../Libsvm/matlab）中，会发现多了两个train和predict的.obj文件这是编译之后的结果，表示成功。

  Step4：测试libsvm环境

  在libsvm2.x中，是有heart_scale.mat数据文件但是最新的libsvm3.x只有heart_scale纯文本文件，这是C++数据数据文件的格式，如果按照faruto视频中的操作，键入“load heart_scale”命令，会发现，结果出错，这是由于缺少对应的MATLAB的数据格式的文件，因此需要用libsvmread命令进行读入，该命令其实是运行一个lib中的libsvmread.c的C文件，用于对数据的转换，其调用格式为libsvmread（‘filename’） ;例如[label_vector, instance_matrix] = libsvmread(‘heart_scale‘);此处用的当前路径，不知道可不可以用绝对路径，可以试试，应该是可以的。数据经过转换后，可以发现，多了两个数据，label_vector和instance，分别是样本标签和属性，有了数据，下面就对环境进行正式测试。调用model = svmtrain(label_vector, instance_matrix) ;生成训练模型后在调用svmpredict(label_vector, instance_matrix, model, ‘q‘)，得到结果。我用周教授《机器学习》上的西瓜数据集α3.0进行环境测试，得到结果如图所示：

  虽然结果很差，但是环境是搭建好了的，测试成功，因为我并没有分训练集和测试集，而且数据只有18条左右，所以这结果没啥意义，我就只是单纯测试环境是否搭建好，仅此而已。

本文出自 “code changes life” 博客，请务必保留此出处http://spencergra.blog.51cto.com/9609512/1959161