libsvm 使用svm工具箱进行分类，回归，预测，归一化，训练 AI-NN-PR 人工智能/神经网络 238万源代码下载-
&文件名称: libsvm
& & & & &&]
&&所属分类:
&&开发工具: C++
&&文件大小: 595 KB
&&上传时间:
&&下载次数: 3
&&提 供 者:
&详细说明：使用svm工具箱进行分类，回归，预测，归一化，训练-Using svm toolbox for classification, regression, forecasting, normalization, training
文件列表(点击判断是否您需要的文件，如果是垃圾请在下面评价投诉):
&&libsvm-3.14\COPYRIGHT&&...........\FAQ.html&&...........\heart_scale&&...........\java\libsvm\svm.java&&...........\....\......\svm.m4&&...........\....\......\svm_model.java&&...........\....\......\svm_node.java&&...........\....\......\svm_parameter.java&&...........\....\......\svm_print_interface.java&&...........\....\......\svm_problem.java&&...........\....\libsvm.jar&&...........\....\Makefile&&...........\....\svm_predict.java&&...........\....\svm_scale.java&&...........\....\svm_toy.java&&...........\....\svm_train.java&&...........\....\test_applet.html&&...........\Makefile&&...........\Makefile.win&&...........\matlab\libsvmread.c&&...........\......\libsvmread.mexw32&&...........\......\libsvmwrite.c&&...........\......\libsvmwrite.mexw32&&...........\......\make.m&&...........\......\Makefile&&...........\......\README&&...........\......\svmpredict.c&&...........\......\svmpredict.mexw32&&...........\......\svmtrain.c&&...........\......\svmtrain.mexw32&&...........\......\svm_model_matlab.c&&...........\......\svm_model_matlab.h&&...........\python\Makefile&&...........\......\README&&...........\......\svm.py&&...........\......\svmutil.py&&...........\README&&...........\svm-predict.c&&...........\svm-scale.c&&...........\....toy\gtk\callbacks.cpp&&...........\.......\...\callbacks.h&&...........\.......\...\interface.c&&...........\.......\...\interface.h&&...........\.......\...\main.c&&...........\.......\...\Makefile&&...........\.......\...\svm-toy.glade&&...........\.......\qt\Makefile&&...........\.......\..\svm-toy.cpp&&...........\.......\windows\svm-toy.cpp&&...........\svm-train.c&&...........\svm.cpp&&...........\svm.def&&...........\svm.h&&...........\tools\checkdata.py&&...........\.....\easy.py&&...........\.....\grid.py&&...........\.....\README&&...........\.....\subset.py&&...........\windows\libsvm.dll&&...........\.......\libsvmread.mexw64&&...........\.......\libsvmwrite.mexw64&&...........\.......\svm-predict.exe&&...........\.......\svm-scale.exe&&...........\.......\svm-toy.exe&&...........\.......\svm-train.exe&&...........\.......\svmpredict.mexw64&&...........\.......\svmtrain.mexw64&&...........\java\libsvm&&...........\svm-toy\gtk&&...........\.......\qt&&...........\.......\windows&&...........\java&&...........\matlab&&...........\python&&...........\svm-toy&&...........\tools&&...........\windows&&libsvm-3.14
&近期下载过的用户:
&相关搜索:
&输入关键字，在本站238万海量源码库中尽情搜索：
&[] - 支持向量机用于遥感影像分类，是一种高效、高精度的人工智能分类算法
&[] - 基于支持向量机（SVM）回归的MATLAB演示程序LIBSVM回归算法在话务预测中的应用--《电信工程技术与标准化》2014年09期
LIBSVM回归算法在话务预测中的应用
【摘要】：话务量预测在工程规划建设中有重要的意义,但常用的预测方法总体准确率不高,而LIBSVM算法在解决回归问题上表现出优良的性能。本文以H市连续587天早忙时话务量样本作为LIBSVM模型训练,之后用60个样本点作为测试数据,验证LIBSVM模型的预测性能,并对结果进行均方误差和平均相对误差的指标评价分析。
【作者单位】：
【关键词】：
【分类号】：TN929.5【正文快照】：
在工程规划与建设中需要根据对目标期的话务量预测来确定目标无线网络容量、扩容需要的设备类型和数量等,话务预测结果的准确与否直接关系到目标无线网络利用率、投资效益等企业发展的关键指标,因此以相对准确的话务量预测来指导运营商网络建设,能成功应对用户行为的变化及其
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【相似文献】
中国期刊全文数据库
王书诏;邱天爽;;[J];电声技术;2007年01期
赵立志;李辉;陈海东;魏士勇;;[J];China's Foreign T2011年14期
王书诏;邱天爽;;[J];电声技术;2006年12期
苏腾荣;吴及;王作英;;[J];电子与信息学报;2010年04期
刘华金;叶丽君;;[J];佳木斯教育学院学报;2011年03期
宋萌勃;张旭红;;[J];水利水电快报;2008年S1期
程亮;龚健雅;梁新政;黄鸿;;[J];测绘通报;2007年06期
李惠军;朱磊;;[J];棉纺织技术;2011年01期
周欣然;滕召胜;易钊;;[J];系统工程与电子技术;2009年05期
吴华,徐波,黄泰翼;[J];软件学报;2000年02期
中国重要会议论文全文数据库
张慧书;战东平;姜周华;;[A];全国冶金自动化信息网2010年年会论文集[C];2010年
曾薇;孟祥旭;杨承磊;黄磊;李学庆;;[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年
王跟东;林道发;杨家源;;[A];第二届全国人机语音通讯学术会议论文集[C];1992年
罗柱文;;[A];第二十三届航天医学年会暨第六届航天护理年会论文汇编[C];2007年
赵亚丽;付中华;谢磊;张健;张艳宁;;[A];第十一届全国人机语音通讯学术会议论文集（一）[C];2011年
王兰爽;白文忠;;[A];第十二届全国心理学学术大会论文摘要集[C];2009年
林小俊;田浩;王馨浩;杜蕴璇;许敏;吴玺宏;迟惠生;;[A];第八届全国人机语音通讯学术会议论文集[C];2005年
章亚青;;[A];中国计量协会冶金分会2007年会论文集[C];2007年
林政;吕雅娟;刘群;马希荣;;[A];中国计算机语言学研究前沿进展（）[C];2009年
魏艳红;王敏;;[A];第五届全国材料科学与图像科技学术会议论文集[C];2004年
中国重要报纸全文数据库
高志文;[N];解放军报;2007年
杨建国;[N];中国纺织报;2004年
朴凯 袁兴萍;[N];解放军报;2006年
;[N];网络世界;2006年
中国博士学位论文全文数据库
吴义坚;[D];中国科学技术大学;2006年
雷鸣;[D];中国科学技术大学;2012年
凌震华;[D];中国科学技术大学;2008年
熊英;[D];上海交通大学;2009年
黄金球;[D];广西医科大学;2008年
常群;[D];哈尔滨工业大学;2007年
张骥祥;[D];天津大学;2007年
黄浩;[D];上海交通大学;2008年
瞿仰;[D];华东师范大学;2012年
杨兵;[D];西安电子科技大学;2001年
中国硕士学位论文全文数据库
魏力;[D];武汉理工大学;2006年
贺宽;[D];武汉理工大学;2008年
吕云芳;[D];河北工业大学;2005年
吴军辉;[D];东华大学;2009年
竺博;[D];中国科学技术大学;2009年
耿英;[D];中国科学技术大学;2009年
姚振兴;[D];长春理工大学;2005年
杜嘉;[D];上海交通大学;2008年
艾斯卡尔·肉孜;[D];新疆大学;2008年
孙浩;[D];合肥工业大学;2009年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 大众知识服务
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备75号用libsvm进行回归预测_数据挖掘入门与实战_传送门
你是真实用户吗(Are you a robot)?
我们怀疑你不是真实用户，已对你的访问做了限制。如果您是真实用户，非常抱歉我们的误判对您造成的影响，您可以通过QQ()或电子邮件()反馈给我们，并在邮件和QQ请求信息里注明您的IP地址：220.177.198.53，我们会尽快恢复您的正常访问权限。另外，如果您不是在访问的当前页面，我们建议您移步
或者 在浏览器中输入以下地址：http://chuansong.me/n/ 访问，您所访问的网站是从抓取的数据，请直接访问，会有更好的体验和更及时的更新。We suspect you are a robot.We are really sorry if you are not,and you can email us () with your current IP address: 220.177.198.53 to get full access to .If you are not accessing
for the current page,you'd better visit
for better performance,as the current website you are accessing is just spam.
觉得不错，分享给更多人看到
数据挖掘入门与实战 微信二维码
分享这篇文章
9月13日 0:45
数据挖掘入门与实战 最新头条文章
数据挖掘入门与实战 热门头条文章[转载]使用libsvm、Python和gnuplot做回归和预测
已有 3043 次阅读
|个人分类:|系统分类:|关键词:matlab libsvm Python gnuplot 例子|文章来源:转载
1.首先从主页上下载libsvm、Python2.5.2和gnuplot 三个软件。　　　　2.准备好数据，首先要把数据转换成Libsvm软件包要求的数据格式为：　　label index1:value1 index2:value2 ...　　其中对于分类来说label为类标识，指定数据的种类 ；对于回归来说label为目标值。（我主要要用到回归）Index是从1开始的自然数，value是每一维的特征值。该过程可以自己使用excel或者编写程序来完成，也可以使用网络上的FormatDataLibsvm.xls来完成。　　FormatDataLibsvm.xls使用说明：　　先将数据按照下列格式存放（注意label放最后面）：　　value1 value2 ... label　　value1 value2 ... label　　...　　然后将以上数据粘贴到FormatDataLibsvm.xls中的最左上角单元格，接着工具-&宏执行行FormatDataToLibsvm宏。就可以得到libsvm要求的数据格式。将该数据存放到文本文件中进行下一步的处理。　　3.对数据进行归一化　　该过程要用到libsvm软件包中的svm-scale.exe　　Svm-scale用法：　　用法：svmscale [-l lower] [-u upper] [-y y_lower y_upper] [-s save_filename] [-r restore_filename] filename （缺省值： lower = -1，upper = 1，没有对y进行缩放） 其中， -l：数据下限标记；lower：缩放后数据下限； -u：数据上限标记；upper：缩放后数据上限； -y：是否对目标值同时进行缩放；y_lower为下限值，y_upper为上限值；（回归需要对目标进行缩放，因此该参数可以设定为 –y -1 1 ） -s save_filename：表示将缩放的规则保存为文件save_filename； -r restore_filename：表示将缩放规则文件restore_filename载入后按此缩放； filename：待缩放的数据文件（要求满足前面所述的格式）。　　缩放规则文件可以用文本浏览器打开，看到其格式为：　　lower upper min max x　　lower upper　　index1 min1 max1　　index2 min2 max2　　其中的lower 与upper 与使用时所设置的lower 与upper 含义相同；index 表 示特征序号；min 转换前该特征的最小值；max 转换前该特征的最大值。数据集的缩放结果在此情况下通过DOS窗口输出，当然也可以通过DOS的文件重定向符号“&”将结果另存为指定的文件。该文 件中的参数可用于最后面对目标值的反归一化。反归一化的公式为：　　（Value-lower）*（max-min）/(upper - lower)+lower　　其中value为归一化后的值，其他参数与前面介绍的相同。　　建议将训练数据集与测试数据集放在同一个文本文件中一起归一化，然后再将归一化结果分成训练集和测试集。　　4.训练数据，生成模型 　　　　用法： svmtrain [options] training_set_file [model_file]　　其中， options（操作参数）：可用的选项即表示的涵义如下所示 -s svm类型：设置SVM 类型，默认值为0，可选类型有（对于回归只能选3或4）：　　0 -- C- SVC 1 -- n - SVC 2 -- one-class-SVM 3 -- e - SVR 4 -- n - SVR -t 核函数类型：设置核函数类型，默认值为2，可选类型有： 0 -- 线性核：u'*v 1 -- 多项式核： (g*u'*v+ coef 0)deg ree 2 -- RBF 核：e( u v 2) g - 3 -- sigmoid 核：tanh(g*u'*v+ coef 0) -d degree：核函数中的degree设置，默认值为3；　　-g g ：设置核函数中的g ，默认值为1/ k ； -r coef 0：设置核函数中的coef 0，默认值为0； -c cost：设置C- SVC、e - SVR、n - SVR中从惩罚系数C，默认值为1； -n n ：设置n - SVC、one-class-SVM 与n - SVR 中参数n ，默认值0.5； -p e ：设置n - SVR的损失函数中的e ，默认值为0.1； -m cachesize：设置cache内存大小，以MB为单位，默认值为40； -e e ：设置终止准则中的可容忍偏差，默认值为0.001； -h shrinking：是否使用启发式，可选值为0 或1，默认值为1； -b 概率估计：是否计算SVC或SVR的概率估计，可选值0 或1，默认0； -wi weight：对各类样本的惩罚系数C加权，默认值为1； -v n：n折交叉验证模式。　　其中-g选项中的k是指输入数据中的属性数。操作参数 -v 随机地将数据剖分为n 部分并计算交叉检验准确度和均方根误差。以上这些参数设置可以按照SVM 的类型和核函数所支持的参数进行任意组合，如果设置的参数在函数或SVM 类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。training_set_file是要进行训练的数据 集；model_file是训练结束后产生的模型文件，该参数如果不设置将采用默认的文件名，也可以设置成自己惯用的文件名。　　本实验中的参数-s取3，-t取2（默认）还需确定的参数是-c，-g，-p　　另， 实验中所需调整的重要参数是-c 和 –g，-c和-g的调整除了自己根据经验试之外，还可以使用gridregression.py对这两个参数进行优化。（需要补充）该优化过程需要用到Python（2.5），Gnuplot（4.2），gridregression.py（该文件需要修改路径）。　　然后在命令行下面运行：　　python.exe gridregression.py -log2c -10,10,1 -log2g -10,10,1 -log2p -10,10,1 -s 3 –t 2 -v 5 -svmtrain E:\libsvm\libsvm-2.86\windows\svm-train.exe -gnuplot E:\libsvm\libsvm-2.86\gnuplo　　\bin\pgnuplot.exe E:\libsvm\libsvm-2.86\windows\train.txt & gridregression_feature.parameter　　以上三个路径根据实际安装情况进行修改。　　-log2c是给出参数c的范围和步长 -log2g是给出参数g的范围和步长 -log2p是给出参数p的范围和步长上面三个参数可以用默认范围和步长 -s选择SVM类型，也是只能选3或者4 -t是选择核函数 -v 10 将训练数据分成10份做交叉验证。默认为5。　　为了方便将gridregression.py是存放在python.exe安装目录下。trian.txt为训练数据，参数存放在gridregression_feature.parameter中，可以自己命名。搜索结束后可以在gridregression_feature.parameter中最后一行看到最优参数。其中，最后一行的第一个参数即为-c，第二个为-g，第三个为-p，最后一个参数为均方误差。前三个参数可以直接用于模型的训练。然后，根据搜索得到的参数，重新训练，得到模型。　　5.测试　　用法：svmpredict [options] test_file model_file output_file options（操作参数）： -b probability_estimates：是否需要进行概率估计预测，可选值为0 或者1，默认值为0。 model_file 是由svmtrain 产生的模型文件；test_file 是要进行预测的数据文件；　　output_file 是svmpredict 的输出文件，表示预测的结果值。　　输出结果包括均方误差（Mean squared error）和相关系数（Squared correlation coefficient）。　　用LIBSVM做回归和预测的步骤（请指点）　　首先说明，我学习SVM才几天，对基本理论还不了解，只是想利用这一工具做自己想做的事情。摸索着做了几个实验，试着把过程写下来，请大家指点。　　&1& 下载Libsvm、Python和Gnuplot。我用的版本分别是：Libsvm（2.8.1），Python（2.4），Gnuplot（3.7.3）。注意：Gnuplot一定要用3.7.3版，3.7.1版的有bug.　　&2& 修改训练和测试数据的格式（可以自己用perl编个小程序）：目标值 第一维特征编号：第一维特征值 第二维特征编号：第二维特征值 …　　…　　例如：　　2.3 1:5.6 2:3.2　　表示训练用的特征有两维，第一维是5.6，第二维是3.2，目标值是2.3　　注意：训练和测试数据的格式必须相同，都如上所示。测试数据中的目标值是为了计算误差用　　&3& 分别使用Libsvm中的Windows版本的工具svmscale.exe进行训练和测试数据的归一化，svmtrain.exe进行模型训练，svmpredict.exe进行预测　　（1）svmscale.exe的用法：svmscale.exe feature.txt feature.scaled　　默认的归一化范围是[－1，1]，可以用参数-l和-u分别调整上界和下届,feature.txt是输入特征文件名，输出的归一化特征名为feature.scaled　　（2）svmtrtrain.exe训练模型　　我习惯写个批处理小程序，处理起来比较方便。例如svm_train.bat中训练语句为：　　svmtrain.exe -s 3 -p 0.0001 -t 2 -g 32 -c 0.53125 -n 0.99 feature.scaled　　训练得到的模型为feature.scaled.model，具体的参数含义可以参考帮助文档。这里-s是选择SVM的类型。对于回归来说，只能选3或者 4，3表示epsilon-support vector regression, 4表示nu-support vector regression。-t是选择核函数，通常选用RBF核函数，原因在“A 　　Practical Guide support vector classification”中已经简单介绍过了。-p尽量选个比较小的数字。需要仔细调整的重要参数是-c和-g。除非用 gridregression.py来搜索最优参数，否则只能自己慢慢试了。　　用gridregression.py搜索最优参数的方法如下：　　python.exe gridregression.py -svmtrain H:\SVM\libsvm-2.81\windows\svmtrain.exe -gnuplot C:\gp373w32\pgnuplot.exe -log2c -10,10,1 -log2g -10,10,1 -log2p -10,10,1 -v 10 -s 3 -t 2 H:\SVM\libsvm-2.81\windows\feature.scaled & gridregression_feature.parameter　　注意：-svmtrain是给出svmtrain.exe所在路径，一定要是完整的全路径　　-gnuplot是给出pgnuplot.exe所在路径。这里要用pgnuplot.exe这种命令行形式的，不要用wgnupl32.exe，这个是图形界面的。　　-log2c是给出参数c的范围和步长　　-log2g是给出参数g的范围和步长　　-log2p是给出参数p的范围和步长　　上面三个参数可以用默认范围和步长　　-s选择SVM类型，也是只能选3或者4　　-t是选择核函数　　-v 10 将训练数据分成10份做交叉验证。默认为5　　最后给出归一化后训练数据的全路径，搜索最优参数的过程写入文件gridregression_feature.parameter（注意别少了这个&符号啊），根据搜索到的最优参数修改feature.scaled.model中的参数　　（3）用svmpredict.exe进行预测　　svmpredict.exe feature_test.scaled feature.scaled.model feature_test.predicted　　其中feature_test.scaled是归一化后的测试特征文件名，feature.scaled.model是训练好的模型，SVM预测的值在feature_test.predicted中核函数方法简介　　（1）核函数发展历史　　早在1964年Aizermann等在势函数方法的研究中就将该技术引入到机器学习领域，但是直到1992年Vapnik等利用该技术成功地将线性 SVMs推广到非线性SVMs时其潜力才得以充分挖掘。而核函数的理论则更为古老，Mercer定理可以追溯到1909年，再生核希尔伯特空间 (ReproducingKernel Hilbert Space, RKHS)研究是在20世纪40年代开始的。　　（2）核函数方法原理　　根据模式识别理论，低维空间线性不可分的模式通过非线性映射到高维特征空间则可能实现线性可分，但是如果直接采用这种技术在高维空间进行分类或回归，则存 在确定非线性映射函数的形式和参数、特征空间维数等问题，而最大的障碍则是在高维特征空间运算时存在的“维数灾难”。采用核函数技术可以有效地解决这样问 题。　　设x,z∈X,X属于R（n）空间,非线性函数Φ实现输入间X到特征空间F的映射,其中F属于R（m）,n&&m。根据核函数技术有：　　K(x,z) =&Φ(x),Φ(z) & &(1)　　其中：&, &为内积,K(x,z)为核函数。从式(1)可以看出，核函数将m维高维空间的内积运算转化为n维低维输入空间的核函数计算，从而巧妙地解决了在高 维特征空间中计算的“维数灾难”等问题，从而为在高维特征空间解决复杂的分类或回归问题奠定了理论基础。　　（3）核函数特点　　核函数方法的广泛应用,与其特点是分不开的：　　1）核函数的引入避免了“维数灾难”,大大减小了计算量。而输入空间的维数n对核函数矩阵无影响，因此，核函数方法可以有效处理高维输入。　　2）无需知道非线性变换函数Φ的形式和参数.　　3）核函数的形式和参数的变化会隐式地改变从输入空间到特征空间的映射，进而对特征空间的性质产生影响，最终改变各种核函数方法的性能。　　4）核函数方法可以和不同的算法相结合，形成多种不同的基于核函数技术的方法，且这两部分的设计可以单独进行，并可以为不同的应用选择不同的核函数和算法。　　（4）常见核函数　　核函数的确定并不困难,满足Mercer定理的函数都可以作为核函数。常用的核函数可分为两类，即内积核函数和平移不变核函数，如：　　1）高斯核函数K(x,xi) =exp(-||x-xi||2/2σ2；　　2）多项式核函数K(x,xi)=(x·xi+1)^d, d=1,2,…,N； 　　3）感知器核函数K(x,xi) =tanh(βxi+b)；　　4）样条核函数K(x,xi) = B2n+1(x-xi)。　　（5）核函数方法实施步骤　　核函数方法是一种模块化(Modularity)方法，它可分为核函数设计和算法设计两个部分，具体为：　　1）收集和整理样本,并进行标准化；　　2）选择或构造核函数；　　3）用核函数将样本变换成为核函数矩阵,这一步相当于将输入数据通过非线性函数映射到高维　　特征空间；　　4）在特征空间对核函数矩阵实施各种线性算法；　　5）得到输入空间中的非线性模型。　　显然,将样本数据核化成核函数矩阵是核函数方法中的关键。注意到核函数矩阵是l×l的对称矩阵，其中l为样本数。　　（6）核函数在模式识别中的应用　　1）新方法。主要用在基于结构风险最小化(Structural Risk Minimization,SRM)的SVM中。　　2）传统方法改造。如核主元分析(kernel PCA)、核主元回归(kernel PCR)、核部分最小二乘法(kernel PLS)、核Fisher判别分析(Kernel Fisher Discriminator, KFD)、核独立主元分析(Kernel Independent Component A　　nalysis,KICA)等，这些方法在模式识别等不同领域的应用中都表现了很好的性能。转自：/page/87694/
转载本文请联系原作者获取授权，同时请注明本文来自王磊科学网博客。链接地址：
上一篇：下一篇：
当前推荐数：0
评论 ( 个评论)
扫一扫，分享此博文
作者的其他最新博文
热门博文导读
Powered by
Copyright &苹果/安卓/wp
积分 489, 距离下一级还需 311 积分
权限: 自定义头衔, 签名中使用图片
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发下一级可获得
权限: 隐身
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
开心签到天数: 112 天连续签到: 1 天[LV.6]常住居民II
用matlab libsvm读取excel数据进行预测，数据发生变化后，MSE和预测结果总是不变！请高手指点一下，谢谢！！
载入中......
怎么没人回答呢？我也碰到同样的问题！
我也遇到了同样的问题！有没有人能回答啊啊啊啊 啊
libsvm在matlab中的使用方法.cn/s/blog_4lk9e.html
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
论坛法律顾问：王进律师}