LIBSVM简易入门中英对照.docx

LIBSVM简易入门中英对照.docx

《LIBSVM简易入门中英对照.docx》由会员分享，可在线阅读，更多相关《LIBSVM简易入门中英对照.docx（11页珍藏版）》请在冰豆网上搜索。

LIBSVM简易入门中英对照

Viewthistutorialin:

EnglishOnly  TraditionalChineseOnly  Both（Default）  （req.JavaScriptifyouwanttoswitchlanguages）

CoreStyleSheets:

Chocolate Midnight Modernist Oldstyle Steely Swiss Traditional Ultramarine 

CoreStyleSheets:

Chocolate Midnight Modernist Oldstyle Steely Swiss Traditional Ultramarine 

*Thisdocumentiswritteninmultilingualformat.Westronglysuggestthatyouchooseyourlanguagefirsttogetabetterdisplay.

piaip'sUsing（lib）SVMTutorialpiaip的（lib）SVM簡易入門

piaipatcsiedotntudotedudottw,

Hung-TeLin

FriApr1815:

04:

53CST2003

$Id:

svm_tutorial.html,v1.132007/10/0205:

51:

55piaipExppiaip$原作：

林弘德，轉載請保留原出處

Whythistutorialishere

我一直覺得SVM是個很有趣的東西，不過也一直沒辦法（mostly衝堂）去聽林智仁老師的Datamining跟SVM的課；後來看了一些網路上的文件跟聽kcwu講了一下libsvm的用法後，就想整理一下，算是對於並不需要知道完整SVM理論的人提供使用libsvm的入門。

原始libsvm的README跟FAQ也是很好的文件，不過你可能要先對svm跟流程有點了解才看得懂（我在看時有這樣的感覺）；這篇入門就是為了從零開始的人而寫的。

I'vebeenconsideringSVMasaninterestingandusefultoolbutcouldn'tattendthe"DataminingandSVM"coursebyprof.cjlineaboutit（mostlyduetoschedulingconflicts）.Afterreadingsomematerialsontheinternetanddiscussinglibsvmwithsomeofmyclassmatesandfriends,IwantedtoprovidesomenoteshereasatutorialforthosewhodonotneedtoknowthecompletetheorybehindSVMtheorytouselibsvm.TheoriginalREADMEandFAQfilesthatcomeswithlibsvmaregooddocumentstoo.ButyoumayneedtohavesomebasicknowledgeofSVManditsworkflow（that'showIfeltwhenIwasreadingthem）.Thistutorialisspecificlyforthosestartingfromzero.

後來還有一些人提供意見，所以在此要感謝：

Imustthanktheseguyswhoprovidedfeedbackandhelpedmemakethistutorial:

kcwu,biboshen,puffer,somi

不過請記得底下可能有些說法不一定對，但是對於只是想用SVM的人來說我覺得這樣說明會比較易懂。

Rememberthatsomeaspectbelowmaynotbecorrect.Butforthosewhojustwishto"USE"SVM,Ithinktheexplanationbelowiseasiertounderstand.

這篇入門原則上是給會寫基本程式的人看的，也是給我自己一個備忘,不用太多數學底子，也不用對SVM有任何先備知識。

Thistutorialisbasicallyforpeoplewhoalreadyknowhowtoprogram.It'salsoamemotomyself.NeithertoomuchmathmaticsnorpriorSVMknowledgeisrequired.

還看不懂的話有三個情形,一是我講的不夠清楚,二是你的常識不足,三是你是小白^^;Ifyoustillcan'tunderstandthistutorial,therearethreepossibilities:

1.Ididn'texplainclearlyenough,2.Youlacksufficientcommonknowledge,3.Youdon'tuseyourbrainproperly^^;

我自己是以完全不懂的角度開始的，這篇入門也有不少一樣不懂SVM的人看過、而且看完多半都有一定程度的理解，所以假設情況一不會發生，那如果不懂一定是後兩個情況:

P也所以,有問題別問我。

SinceIbeginwritingthismyselfwithnounderstandingofthesubject,ansthisdocumenthasbeenreadbymanypeoplewhoalsodidn'tunderstandSVMbutgainedacertainlevelofunderstandingafterreadingit,possibility1canberuledout.Thusifyoucan'tunderstandityoumustbelongtothelattertwocategories,:

Pthusevenifyouhaveanyquestionsafterreadingthis,don'taskme.

SVM:

Whatisitandwhatcanitdoforme?

SVM,SupportVectorMachine,簡而言之它是個起源跟類神經網路有點像的東西，不過現今最常拿來就是做分類（classification）。

也就是說，如果我有一堆已經分好類的東西（可是分類的依據是未知的！

），那當收到新的東西時，SVM可以預測（predict）新的資料要分到哪一堆去。

SVM,SupportVectorMachine,issomethingthathassimilarrootswithneuralnetworks.ButrecentlyithasbeenwidelyusedinClassification.Thatmeans,ifIhavesomesetsofthingsclassified（ButyouknownothingaboutHOWICLASSIFIEDTHEM,orsayyoudon'tknowtherulesusedforclassification）,whenanewdatacomes,SVMcanPREDICTwhichsetitshouldbelongto.

聽起來是很神奇的事（如果你覺得不神奇，請重想一想這句話代表什麼：

分類的依據是未知的！

，還是不神奇的話就請你寫個程式解解看這個問題），也很像要AI之類的高等技巧...不過SVM基於統計學習理論可以在合理的時間內漂亮的解決這個問題。

ItsoundsmarvelousandwouldseemtorequireadvancedtechniqueslikeAIsearchingorsometime-consumingcomplexcomputation.ButSVMusedsomeStatisticalLearningTheorytosolvethisprobleminreasonabletime.

以圖形化的例子來說明（bySVMToy）,像假定我在空間中標了一堆用顏色分類的點,點的顏色就是他的類別,位置就是他的資料,那SVM就可以找出區隔這些點的方程式,依此就可以分出一區區的區域;拿到新的點（資料）時,只要對照該位置在哪一區就可以（predict）找出他應該是哪一顏色（類別）了:

Nowweexplainwithagraphicalexample（bySVMToy）,Imarkedlotsofpointswithdifferentcolorsonaplane,thecolorofeachpointisits"class"andthelocationisitsdata.SVMcanthenfindequationstosplitthesepointsandwiththeseequationswecangetcoloredregions.Whenanewpoint（data）comes,wecanfind（predict）whatcolor（class）apointshouldbejustbyusingthepoint'slocation（data）

原始資料分佈OriginalData

SVM找出來的區域SVMRegions

當然SVM不是真的只有畫圖分區那麼簡單,不過看上面的例子應該可以了解SVM大概在作什麼.OfcourseSVMisnotreallyjustaboutpaintingandmarkingregions,butwiththeexampleaboveyoushouldshouldbeabletogetsomeideaaboutwhatSVMisdoing.

要對SVM再多懂一點點，可以參考cjlin在datamining課的slides:

pdforps。

底下我試著在不用看那個slide的情況解釋及使用libsvm。

TogetyourselfmorefamiliarwithSVM,youmayrefertotheslidescjlinusedinhisDataMiningcourse:

pdforps.

I'mgoingtotrytoexplainanduselibS