Python使用libsvm

关于libsvm包的安装，网上教程众多且各有不同，本文旨在简要总结几种常见的安装方法。

第一种方法：通过whl文件安装

1. 下载whl文件：访问https://www.lfd.uci.edu/~gohlke/pythonlibs/#libsvm，选择与您的Python版本相匹配的libsvm whl文件进行下载。

2. 安装whl文件：打开命令提示符（cmd），导航到whl文件所在的目录，并运行以下命令（请根据实际文件名和路径进行调整）：

   pip install libsvm‑3.22‑cp37‑cp37m‑win_amd64.whl

3. 后续步骤：安装成功后，libsvm.dll文件将出现在Python的site-packages目录中。有人建议将此文件复制到C:\windows\system32目录下。

4. 测试安装：使用以下代码测试libsvm是否安装成功：

   立即学习“Python免费学习笔记（深入）”；

   from svmutil import *
   from svm import *
   y, x = [1, -1], [{1: 1, 2: 1}, {1: -1, 2: -1}]
   prob = svm_problem(y, x)
   param = svm_parameter('-t 0 -c 4 -b 1')
   model = svm_train(prob, param)
   yt = [1]
   xt = [{1: 1, 2: 1}]
   p_label, p_acc, p_val = svm_predict(yt, xt, model)
   print(p_label)

   如果代码运行无误，则说明libsvm已成功安装。

第二种方法：手动下载和配置

1. 下载libsvm：从http://www.csie.ntu.edu.tw/~cjlin/libsvm/oldfiles/或http://www.csie.ntu.edu.tw/~cjlin/libsvm/下载libsvm包。

   

2. 添加动态链接库：在下载的libsvm包中，找到windows文件夹内的libsvm.dll文件。如果您的Python是32位，直接将此文件复制到C:\Windows\System32目录下。如果是64位系统，需要重新编译64位的dll文件。假设已安装Visual Studio（如VS2015），在VS2015 x64本机工具命令提示符中，导航到libsvm目录并运行：

   nmake -f Makefile.win clean all

   编译完成后，将生成的64位dll文件复制到C:\Windows\System32目录下。

3. 导入模块：为了便于使用，可以将libsvm包添加到Python的site-packages目录中，并在libsvm和libsvm/python文件夹中分别添加

   __init__.py

   文件。导入时使用以下命令：

   from libsvm.python.svm import *
   from libsvm.python.svmutil import *

   或者不添加到默认路径，直接在代码中添加路径：

   import sys
   sys.path.append("libsvm/python")
   import svm
   import svmutil

   如果遇到svmutil无法找到svm模块的问题，修改svmutil.py中的导入语句为：

   from libsvm.python.svm import *
   from libsvm.python.svm import __all__ as svm_all

第三种方法：直接解压使用

1. 解压libsvm包：将libsvm的zip文件解压到特定位置（如D盘根目录）。

   

2. 测试libsvm：在Python IDE中运行以下代码以测试libsvm是否可用：

   

   Pix2Pix

   使用Prompt编辑视频

   下载

   

   如果能看到84%的准确度，说明libsvm已成功安装并可用。

训练和预测数据

假设训练数据集文件路径为G:\train.txt，预测数据集文件路径为G:\predict.txt，使用svm方法如下：

1. 加载数据：

   train_label, train_value = svm_read_problem("G:\\train.txt")  # 训练数据集
   predict_label, predict_value = svm_read_problem("G:\\predict.txt")  # 预测数据集

2. 训练模型：

   model = svm_train(train_label, train_value)

3. 预测数据类别：

   p_label, p_acc, p_val = svm_predict(predict_label, predict_value, model)
   print(p_acc)  # 打印预测结果

   其中，p_label是预测标签的列表，p_acc是预测的精确度，p_val在指定参数'-b 1'时返回判定系数。

LibSVM简介

libsvm的.zip格式版本解压后包含5个主要文件夹和一些C++源码文件：

• Java：用于Java平台。
• Python：用于参数优选。
• svm-toy：可视化工具，用于展示训练数据和分类界面。
• tools：包含用于数据集抽样、参数优选、集成测试和数据检查的Python文件。
• windows：包含libsvm的四个exe程序包和样本文件heart_scale。

其他.h和.cpp文件是程序的源码，可以编译出相应的.exe文件。其中，svm.h和svm.cpp是最重要的文件，其他.c文件调用这些接口函数。

第一次体验LibSVM

1. 解压libsvm包：将libsvm包解压到特定目录（如D:/libsvm）。

2. 进入DOS环境：在命令提示符中导航到libsvm/windows目录。

3. 进行libsvm训练：运行以下命令：

   svm-train heart_scale train.model

   其中，heart_scale是样本文件，train.model是保存训练结果的文件。训练完成后，会生成train.model文件，记录了训练结果。

参考资料：

• https://www.php.cn/link/67f3c822a32053681b2c45736b4da971
• https://www.php.cn/link/3af6ea3031831159e1a10433860e2e47
• https://www.php.cn/link/400c8d3d90d3c1350c3b8b6fa0941e66