GG修改器怎么用

GG修改器使用教程详解

1首先我们打开GG修改器。

2此时你的游戏也是打开的哦，打开GG修改器之后载入你游戏进程

3搜索你游戏现在的金币数量，并且勾选此值被加密

回到游戏，我们消耗目前游戏金币。

再次回到gg修改器，输入消耗后的金币总数72912

6如果搜索出来的地址还是很多。继续回到游戏消耗金币，然后再次回到gg修改器，输入93228。搜索地址出来两个。

7点击其中一个，修改一下数值。

8回到游戏里面，我们可以看到金币已经修改成功了。

3天

svm模型训练后的参数说明

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 *** 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 00769231 % 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 0424462 % 决策函数中的常数项 b

label 1 -1% 类别标签

@微生豪资料集合分享

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 1:0166667 2:1 3:-0333333 4:-043396

2 5:-0383562 6:-1 7:-1 8:0068702

3 9:-1 10:-0903226 11:-1 12:-1 13:1

05104832128985164 1:0125 2:1 3:0333333 4:-0320755 5:-0406393 6:1 7:1 8:00839695 9:1 10:-0806452 12:-0333333 13:05

1 1:0333333 2:1 3:-1 4:-0245283 5:-0506849 6:-1 7:-1 8:0129771 9:-1 10:-016129 12:0333333 13:-1

1 1:0208333 2:1 3:0333333 4:-0660377 5:-0525114 6:-1 7:1 8:0435115 9:-1 10:-0193548 12:-0333333 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 gridpy 可以帮助我们。 此时。其中安

装 python25 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 gridpy 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/pgnuplotexe" ），根据实际路径进⾏修改，并保存。然

后，将 gridpy 和 C:/Python25 ⽬录下的 pythonexe ⽂件拷贝到 libsvm/windows ⽬录下，键⼊以下命令： $ python gridpy

train1scale 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 libsvm286 中林⽼师已经帮助我们解决，在/libsvm/windows/python ⽬录下⾃带了 svmcpyd 这个⽂件，将该⽂件⽂件复制到

@微生豪资料集合分享

libsvm/python ⽬录下，同时，也将 pythonexe 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_testpy

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_scalemodel heart_scaleout

Accuracy = 866667% (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gridpy 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 、 gridpy 和 pythonexe 拷贝⾄ /libsvm/windows ⽂件夹下。

/svm-train heart_scale

optimization finished, #iter = 162

nu = 0431029

obj = -100877288, rho = 0424462

nSV = 132, nBSV = 107

Total nSV = 132

此时，已经得到 heart_scalemodel ，进⾏预测：

/svm-predict heart_scale heart_scalemodel heart_scaleout

Accuracy = 866667% (234/270) (classification)

正确率为 Accuracy = 866667% 。

/python gridpy heart_scale

得到最优参数 c=2048 ， g=00001220703125

/svm-train -c 2048 -g 00001220703125 heart_scale 得到 model 后，由 /svm-predict heart_scale heart_scalemodel

heart_scaleout 得到的正确

率为 Accuracy = 851852%这块还有点迷惑？为什么正确率降低了？

当然也可以结合subsetpy 和 easypy 实现⾃动化过程。

@微生豪资料集合分享

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 subsetpy b59txt 546 b59(%%i)in8 b59(%%i)out2

for /L %%i in (1,1,1000) do python easypy b59(%%i)in8 b59(%%i)out2 >> result89txt

这段批处理代码⾸先调⽤subsetpy对⽂件b59txt执⾏1000次分层随机抽样(对数据进⾏80-20%分割)然后调⽤easypy 进⾏1000次参数寻优，把记录结果写到result89txt中

（包括1000次训练的分类准确率和参数对）。

还可以调⽤fselectpy进⾏特征选择，调⽤plotrocpy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。

打开APP获取全文



已精选svm模型训练后会员文档796篇



MATLAB中SVM（支持向量机）的用法

31人阅读



OpencvSVM支持向量机参数与优化：

8人阅读



SVM参数设置及各种参数意义

32人阅读



sklearnsvm调参_SVM调优详解·7125messi的博客

以上就是关于GG修改器怎么用全部的内容，包括:GG修改器怎么用、1000个特征7个类别MATLAB中SVM得训练多久、等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！