1000个特征7个类别MATLAB中SVM得训练多久

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

西门子logo用编程软件在内存卡写程序。专用程序储存卡，可以读出程序并传递至其它的主机中，中的0BA6。用本体自带的按键及显示屏，一个一个功能块的读取、记录程序。采用专用编程电缆，通过编程软件下载程序。如果设置有密码保护，除非知道密码。否则，无解。程序储存卡、与编程电缆使用的是同一个口。如果设置暗码＋带“副本维护”的存储卡，能够做到彻底的程序维护。0BA8使用micro SD的存储卡，如果将受维护的电路程序复制到其他存储卡上，当刺进该存储卡时 LOGO! 将无法识别程序并回绝加载程序。所以，西门子logo用编程软件在内存卡写程序。

如果当前目录在libsvm下，那么就会调用libsvm的svmtrain

自带的svmtrain的调用格式和libsvm的svmtrain的格式是不一样的，自带的格式是SVMStruct = svmtrain(‘训练矩阵’，‘训练标签’ 'Showplot',ShowplotValue, )

而libsvm的格式需要把标签写在第一个参数，若想使用自带的，那么把libsvm的路径从搜索路径中删除

即set path然后remove，并且把当前目录切换到toolbox下。

OpenCV开发SVM算法是基于LibSVM软件包开发的，LibSVM是台湾大学林智仁(Lin Chih-Jen)等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。用OpenCV使用SVM算法的大概流程是1）设置训练样本集需要两组数据，一组是数据的类别，一组是数据的向量信息。2）设置SVM参数利用CvSVMParams类实现类内的成员变量svm_type表示SVM类型：CvSVM：：C_SVC C-SVCCvSVM：：NU_SVC v-SVCCvSVM：：ONE_CLASS 一类SVMCvSVM：：EPS_SVR e-SVRCvSVM：：NU_SVR v-SVR成员变量kernel_type表示核函数的类型：CvSVM：：LINEAR 线性：u‘vCvSVM：：POLY 多项式：(ru'v + coef0)^degreeCvSVM：：RBF RBF函数：exp(-r|u-v|^2)CvSVM：：SIGMOID sigmoid函数：tanh(ru'v + coef0)成员变量degree针对多项式核函数degree的设置，gamma针对多项式/rbf/sigmoid核函数的设置，coef0针对多项式/sigmoid核函数的设置，Cvalue为损失函数，在C-SVC、e-SVR、v-SVR中有效，nu设置v-SVC、一类SVM和v-SVR参数，p为设置e-SVR中损失函数的值，class_weightsC_SVC的权重，term_crit为SVM训练过程的终止条件。其中默认值degree = 0，gamma = 1，coef0 = 0，Cvalue = 1，nu = 0，p = 0，class_weights = 03）训练SVM调用CvSVM：：train函数建立SVM模型，第一个参数为训练数据，第二个参数为分类结果，最后一个参数即CvSVMParams4）用这个SVM进行分类调用函数CvSVM：：predict实现分类5）获得支持向量除了分类，也可以得到SVM的支持向量，调用函数CvSVM：：get_support_vector_count获得支持向量的个数，CvSVM：：get_support_vector获得对应的索引编号的支持向量。实现代码如下：view plain// step 1: float labels[4] = {10, -10, -10, -10}; Mat labelsMat(3, 1, CV_32FC1, labels); float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} }; Mat trainingDataMat(3, 2, CV_32FC1, trainingData); // step 2: CvSVMParams params; paramssvm_type = CvSVM::C_SVC; paramskernel_type = CvSVM::LINEAR; paramsterm_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6); // step 3: CvSVM SVM; SVMtrain(trainingDataMat, labelsMat, Mat(), Mat(), params); // step 4: Vec3b green(0, 255, 0), blue(255, 0, 0); for (int i=0; iimagerows; i++) { for (int j=0; jimagecols; j++) { Mat sampleMat = (Mat_float(1,2) i,j); float response = SVMpredict(sampleMat); if (fabs(response-10) 00001) { imageatVec3b(j, i) = green; } else if (fabs(response+10) 0001) { imageatVec3b(j, i) = blue; } } } // step 5: int c = SVMget_support_vector_count(); for (int i=0; i i++) { const float v = SVMget_support_vector(i); } OpenCV支持的目标检测的方法是利用样本的Haar特征进行的分类器训练，得到的级联boosted分类器（Cascade Classification）。注意，新版本的C++接口除了Haar特征以外也可以使用LBP特征。先介绍一下相关的结构，级联分类器的计算特征值的基础类FeatureEvaluator，功能包括读 *** 作read、复制clone、获得特征类型getFeatureType，分配分配窗口的 *** 作setImage、setWindow，计算有序特征calcOrd，计算绝对特征calcCat，创建分类器特征的结构create函数。级联分类器类CascadeClassifier。目标级联矩形的分组函数groupRectangles。接下来，我尝试使用CascadeClassifier这个级联分类器类检测视频流中的目标（haar支持的目标有人脸、人眼、嘴、鼻、身体。这里尝试比较成熟的人脸和眼镜）。用load函数加载XML分类器文件（目前提供的分类器包括Haar分类器和LBP分类器（LBP分类器数据较少））具体步骤如下：1）加载级联分类器调用CascadeClassifier类成员函数load实现，代码为：view plainCascadeClassifier face_cascade; face_cascadeload("haarcascade_frontalface_altxml"); 2）读取视频流这部分比较基础啦~~从文件中读取图像序列，读取视频文件，读取摄像头视频流看过我之前的文章，这3种方法应该了然于心。3）对每一帧使用该分类器这里先将图像变成灰度图，对它应用直方图均衡化，做一些预处理的工作。接下来检测人脸，调用detectMultiScale函数，该函数在输入图像的不同尺度中检测物体，参数image为输入的灰度图像，objects为得到被检测物体的矩形框向量组，scaleFactor为每一个图像尺度中的尺度参数，默认值为11，minNeighbors参数为每一个级联矩形应该保留的邻近个数（没能理解这个参数，-_-|||），默认为3，flags对于新的分类器没有用（但目前的haar分类器都是旧版的，CV_HAAR_DO_CANNY_PRUNING利用Canny边缘检测器来排除一些边缘很少或者很多的图像区域，CV_HAAR_SCALE_IMAGE就是按比例正常检测，CV_HAAR_FIND_BIGGEST_OBJECT只检测最大的物体，CV_HAAR_DO_ROUGH_SEARCH只做初略检测），默认为0minSize和maxSize用来限制得到的目标区域的范围。这里调用的代码如下：view plainface_cascadedetectMultiScale( frame_gray, faces, 11, 2, 0|CV_HAAR_SCALE_IMAGE, Size(30, 30) ); 4）显示目标这个也比较简单，调用ellips函数将刚才得到的faces矩形框都显示出来更进一步，也可以在得到的每一幅人脸中得到人眼的位置，调用的分类器文件为haarcascade_eye_tree_eyeglassesxml，先将脸部区域选为兴趣区域ROI，重复上诉步骤即可，这里就不详细介绍了。当然，感兴趣的朋友也可以试试其他的xml文件作为分类器玩一下啊，感觉LBP特征虽然xml文件的大小很小，但效果还可以，不过我没有做过多的测试。光说不练假把式，最后贴上效果图和源代码的下载地址代码下载地址：>

以上就是关于1000个特征7个类别MATLAB中SVM得训练多久全部的内容，包括:1000个特征7个类别MATLAB中SVM得训练多久、西门子logo如何用内存卡写程序、matlab svmtrain如何使用的急求！！！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！