libSVM使用實驗報告
- 前言
- 實驗環境介紹
- 實驗準備
- 實驗流程
- 實驗感悟
前言
??libSVM是臺灣林智仁(Chih-Jen Lin) 教授2001年開發的一套支持向量機庫，這套庫運算速度挺快，可以很方便的對資料做分類或回歸，由于libSVM程式小，運用靈活，輸入引數少，并且是開源的，易于擴展，因此成為目前國內應用最多的SVM的庫，
??實驗報告基于第一次使用libSVM后的體驗撰寫而成，
實驗環境介紹
- libSVM版本
libsvm-3.24 - python版本
python-3.7.8 - 資料集
采用UCI上的iris資料集
實驗準備
- 下載libsvm-3.24.zip解壓至
D:\Program Files\libsvm內容如下：
- 下載gnuplot至
D:\Program Files\gnuplot內容如下：
- 對iris資料集進行處理
處理前
處理后
實驗流程
- 使用svm-scale對資料進行標準化，區間為[-1, 1]，
處理后資料集
- 使用tools中的subset.py拆分訓練集和測驗集（默認采用分層選擇）
- 采用svm-train.py進行訓練（線性核）
模型內容
- 采用svm-train.py進行訓練（高斯核）
模型內容
- 使用線性核模型進行預測
- 使用高斯核模型進行預測
- 使用grid.py進行引數優化
優化結果
- 采用理論最優引數進行訓練（默認采用高斯核）
模型內容
- 采用理論最優模型進行預測
較原本模型有所提升
實驗感悟
??這次實驗是我第一次使用libSVM，總體感覺libSVM提供的工具十分便捷，很容易上手，并且功能十分強大，
??對于本次實驗所采用的鳶尾花資料集，采用高斯核訓練的模型相較于采用線性核訓練的模型會有選用更多的支持向量，但預測效果相差1%，而理論最佳模型選取了最少的支持向量，和采用線性核所訓練出來的結果一直，雖然很有可能是資料集的影響，但也在一定程度上能夠說明支持向量的多少并不一定能夠決定模型的好壞，
??本次實驗的遺憾在于對于鳶尾花資料集并沒有一個明顯地優化效果，但在之后的學習中，我還會繼續實驗，深入感受SVM的魅力，
轉載請註明出處，本文鏈接：https://www.uj5u.com/yidong/224051.html
標籤：其他