svm训练显示信息说明
现简单对屏幕回显信息进行说明：
#iter 为迭代次数，
nu 与前面的操作参数 -n nu 相同，
obj 为 SVM 文件转换为的二次规划求解得到的最小值，
rho 为判决函数的常数项 b ，
nSV 为支持向量个数，
nBSV 为边界上的支持向量个数，
Total nSV 为支持向量总个数。
训练后的模型保存为文件 *.model ，用记事本打开其内容如下：
svm_type c_svc % 训练所采用的 svm 类型，此处为 C- SVC
kernel_type rbf % 训练采用的核函数类型，此处为 RBF 核
gamma 0.0769231 % 设置核函数中的 g ，默认值为 1/ k
nr_class 2 % 分类时的类别数，此处为两分类问题
total_sv 132 % 总共的支持向量个数
rho 0.424462 % 决策函数中的常数项 b
label 1 -1% 类别标签
nr_sv 64 68 % 各类别标签对应的支持向量个数
SV % 以下为支持向量
1 1:0.166667 2:1 3:-0.333333 4:-0.433962 5:-0.383562 6:-1 7:-1 8:0.0687023 9:-1 10:-0.903226 11:-1 12:-1 13:1
0.5104832128985164 1:0.125 2:1 3:0.333333 4:-0.320755 5:-0.406393 6:1 7:1 8:0.0839695 9:1 10:-0.806452 12:-0.333333 13:0.5
1 1:0.333333 2:1 3:-1 4:-0.245283 5:-0.506849 6:-1 7:-1 8:0.129771 9:-1 10:-0.16129 12:0.333333 13:-1
1 1:0.208333 2:1 3:0.333333 4:-0.660377 5:-0.525114 6:-1 7:1 8:0.435115 9:-1 10:-0.193548 12:-0.333333 13:1
4 ）采用交叉验证选择最佳参数 C 与 g
通常而言，比较重要的参数是 gamma (-g) 跟 cost (-c) 。而 cross validation (-v)
的参数常用 5 。那么如何去选取最优的参数 c 和 g 呢？ libsvm 的 python 子目录下面的 grid.py 可以帮助我们。 此时。其中安装 python2.5 需要（一般默认安装到 c:/python25
下），将 gnuplot 解压。安装解压完毕后，进入 /libsvm/tools 目录下，用文本编辑器（记事
本， edit 都可以）修改 grid.py 文件，找到其中关于 gnuplot 路径的那项（其默认路径为
gnuplot_exe=r"c:/tmp/gnuplot/bin/pgnuplot.exe" ），根据实际路径进行修改，并保存。然
后，将 grid.py 和 C:/Python25 目录下的 python.exe 文件拷贝到 libsvm/windows 目录下，键入以下命令： $ python grid.py train.1.scale 执行后，即可得到最优参数 c 和 g 。
另外，至于下 libsvm 和 python 的接口的问题，在 libsvm2.86 中林老师已经帮助我们解决，在/libsvm/windows/python 目录下自带了 svmc.pyd 这个文件，将该文件文件复制到
libsvm/python 目录下，同时，也将 python.exe 文件复制到该目录下，键入以下命令以检验效
果（注意： .Py 文件中关于 gnuplot 路径的那项路径一定要根据实际路径修改）：
python svm_test.py
如果能看到程序执行结果，说明 libsvm 和 python 之间的接口已经配置完成，以后就可以直接在python 程序里调用 libsvm 的函数了！
5 ） 采用最佳参数 C 与 g 对整个训练集进行训练获取支持向量机模型
$ svmtrain –c x –g x –v x training_set_file [model_file]
x 为上述得到的最优参数 c 和 g 的值， v 的值一般取 5 。
6 ）利用获取的模型进行测试与预测
使用 Svmtrain 训练好的模型进行测试。输入新的 X 值，给出 SVM 预测出的 Y 值
$ Svmpredict test_file model_file output_file
如： ./svm-predict heart_scale heart_scale.model heart_scale.out
Accuracy = 86.6667% (234/270) (classification)
这里显示的是结果
一个具体使用的例子。
以 libsvm 中的 heart_scale 作为训练数据和测试数据，同时已经将 python 安装至 c 盘，并将grid.py 文件中关于 gnuplot 路径的默认值修改为实际解压缩后的路径，将
heart_scale 、 grid.py 和 python.exe 拷贝至 /libsvm/windows 文件夹下。
./svm-train heart_scale
optimization finished, #iter = 162
nu = 0.431029
obj = -100.877288, rho = 0.424462
nSV = 132, nBSV = 107
Total nSV = 132
此时，已经得到 heart_scale.model ，进行预测：
./svm-predict heart_scale heart_scale.model heart_scale.out
Accuracy = 86.6667% (234/270) (classification)
正确率为 Accuracy = 86.6667% 。
./python grid.py heart_scale
得到最优参数 c=2048 ， g=0.0001220703125.
./svm-train -c 2048 -g 0.0001220703125 heart_scale 得到 model 后，由 ./svm-predict heart_scale heart_scale.model heart_scale.out 得到的正确
率为 Accuracy = 85.1852%.这块还有点迷惑？为什么正确率降低了？
当然也可以结合subset.py 和 easy.py 实现自动化过程。
如果要训练多次，可以写个批处理程序省好多事。
这里举个例子：
::@ echo off
cls
:: split the data and output the results
for /L %%i in (1,1,1000) do python subset.py b59.txt 546 b59(%%i).in8 b59(%%i).out2
for /L %%i in (1,1,1000) do python easy.py b59(%%i).in8 b59(%%i).out2 >> result89.txt
这段批处理代码首先调用subset.py对文件b59.txt执行1000次分层随机抽样(对数据进行80-20%分割)然后调用easy.py 进行1000次参数寻优，把记录结果写到result89.txt中
（包括1000次训练的分类准确率和参数对）。
还可以调用fselect.py进行特征选择，调用plotroc.py进行roc曲线绘制。
先写到这里吧，希望能和大家一起学习libsvm，进一步学好svm。
