幾個重要的數據結構?
2.1

struct svm_problem {int l; // 記錄樣本的總數double *y; // 樣本所屬的標簽(+1, -1)struct svm_node **x; // 指向樣本數據的二維數組(即一個矩陣，行數是樣本數，列數是特征向量維度) };

2.2

struct svm_node {int index;double value; };

svm_node是用來存儲單個樣本數據的，打個比方說，svm_problem是一群羊，那么svm_node就是這一群羊中的一只。需要注意的是，svm_node的存儲空間應該比特征數大一位，最后一位index值必須以-1結束。比如：

svm_node* node = new svm_node[1 + feature_size];for (int j = 0; j < feature_size; j++){node[j].index = j + 1;node[j].value = xdata[j];}node[feature_size].index = -1;return node;

2.3

struct svm_parameter{int svm_type;// SVM的類型int kernel_type;// 核函數double degree;// 多項式參數double gamma;// 核函數為poly/rbf/sigmoid的參數double coef0;// 核函數為poly/sigmoid的參數//下面是訓練所需的參數double cache_size;// 訓練所需的內存MB為單位double eps;// 訓練停止的標準(誤差小于eps停止)double C;// 懲罰因子，越大訓練時間越長int nr_weight;// 權重的數目，目前只有兩個值，默認為0int *weight_label;// 權重，元素個數由nr_weight決定double* weight;// C_SVC權重double nu;double p;int shrinking;// 訓練過程是否使用壓縮int probability;// 是否做概率估計};

?libsvm命名空間下主要使用類：

svm_model 為模型類，通過訓練或加載訓練好的模型文件獲得

svm_parameter 為參數類，主要為支持向量機設定參數，具體參數如下：


svm_parameter.kernel_type
核函數類型：核函數設置類型(svm_parameter.LINEAR)
svm_parameter.LINEAR – 線性：u'×v
svm_parameter.POLY– 多項式：(γ×u'×v + coef0)^degree
svm_parameter.RBF – RBF函數：exp(-γ×|u-v|^2)
svm_parameter.SIGMOID – sigmoid：tanh(γ×u'×v + coef0)

svm_parameter.degree
核函數中的degree設置(默認3)

svm_parameter.coef0
核函數中的coef0設置(默認0)

svm_parameter.shrinking
是否使用啟發式，0或1(默認1)

svm_parameter.nu
設置ν-SVC，一類SVM和ν- SVR的參數(默認0.5)

svm_parameter.C
設置C-SVC，ε -SVR和ν-SVR的參數(默認1)

svm_parameter.cache_size
設置cache內存大小，以MB為單位(默認40)

svm_problem 相當于訓練集合，可講需要訓練的數據加入該類傳遞給訓練器

svm_node 內部使用的數據結構，主要用于保存待訓練數據

svm 主調用程序中我們一般使用以下幾個方法：

svm.svm_train(svm_problem,svm_parameter) 該方法返回一個訓練好的svm_model
svm.svm_load_model(文件名); 該方法返回一個訓練好的svm_model
svm.svm_save_model(文件名,svm_model); 該方法將svm_model保存到文件中
svm.svm_predict_values(svm_model,svm_node,double); 該方法返回doule類值，svm_node對svm_model測試，返回值確定了svm_node在模型中的定位

總結

以上是生活随笔為你收集整理的libsvm C++ 代码参数说明汇总的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。