./tools/
subset.py 分割数据集
grid.py 优化参数c、g
checkdata.py 检测数据集格式
easy.py 综合
./windows/
svm-scale.exe 规范化
svm-train.exe 训练模型
svm-pridict.exe 预测分类
检测数据格式 python checkdata.py train.txt
优化数据 svm-scale filename
训练模型 svm-train.exe heart_scale
预测测试集 svm-predict heart_scale heart_scale.model heart_scale.out
进行参数最优估计 python grid.py heart_scale
利用已得参数重新训练模型 svm-train.exe -c 2048 -g 0.0001220703125 heart_scale
重新预测 svm-predict.exe test.txt heart_scale.model output.predict
一步到位的命令 python easy.py heart_scale heart_test
参数介绍
-c：参数
-g: 参数
-v：交叉验证数
-s svm_type : set type of SVM (default 0)
0 -- C-SVC支持向量分类机；参数C为惩罚系数，C越大表示对错误分类的惩罚越大，适当的参数C对分类Accuracy很关键。
1 -- nu-SVC v-支持向量分类机；由于C的选取比较困难，用另一个参数v代替C。C是“无意义”的，v是有意义的。（与C_SVC其实采用的模型相同，但是它们的参数C的范围不同,C_SVC采用的是0到正无穷，该类型是[0,1]。）
2 -- one-class SVM 非监督。。 支持向量回归机，由于EPSILON_SVR需要事先确定参数，然而在某些情况下选择合适的参数却不是一件容易的事情。而NU_SVR能够自动计算参数。
3 -- epsilon-SVR 支持向量回归机，不敏感损失函数，对样本点来说，存在着一个不为目标函数提供任何损失值的区域。
4 -- nu-SVR 支持向量回归机，由于EPSILON_SVR需要事先确定参数，然而在某些情况下选择合适的参数却不是一件容易的事情。而NU_SVR能够自动计算参数。
-t kernel_type : set type of kernelfunction (default 2)
0 -- linear: u'*v
1 -- polynomial: (gamma*u'*v + coef0)^degree
2 -- radial basis function: exp(-gamma*|u-v|^2)
3 -- sigmoid: tanh(gamma*u'*v + coef0) 神经元的非线性作用函数核函数(Sigmoid tanh)
用户自定义核函数
-c cost : set the parameter C of C-SVC,epsilon-SVR, and nu-SVR (default 1)
-g gamma : set gamma in kernel function(default 1/num_features)
50W训练参数选择
