libSVM + VS2013 + C++使用介绍

				版权声明：本文为博主原创文章，未经博主允许不得转载。					https://blog.csdn.net/lhanchao/article/details/53367532				</div>
							            <link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-f57960eb32.css">
					<div class="htmledit_views" id="content_views">

libSVM是一个非常有名的SVM开源库，最近我在做分类任务，最后需要用到SVM进行分类，可是网上对于libSVM的介绍大多是matlab的，还有就是使用DOS命令调用的，直接使用libSVM的函数进行编程的介绍非常少，我来大体介绍一下我使用的情况吧。

我对于libSVM的了解也不是很清楚，只是单纯的利用他做训练和识别而已。

一、环境搭建

我使用的VS2013 + C++作为开发的，首先下载libSVM最新的版本 http://www.csie.ntu.edu.tw/~cjlin/libsvm/，解压后如下图所示：

使用VS2013创建一个新的空工程，把上图目录中的svm.cpp和svm.h复制到工程目录下，并通过在工程中右键——Add——Exsiting Item把这两个文件添加到工程中去，如下图所示。

好了，到目前为止环境就搭建好了，简单明了~

注意：VS2013中使用fopen会出现一个错误，原因是VS2013自身兼容性不好，认为fopen不安全，可以通过 工程右键——Properties——C++——Preprocesser——Preprocesser Definitions中添加_CRT_SECURE_NO_WARNINGS解决该问题。

同时VS2013中编译会出现strdup函数编译不过去，同样根据提示，把该函数改为_strdup即可。

二、特征文件读取

我感觉网上对于libsvm有一种误导，就是你的特征文件必须要按照一定的格式来，才能够被读取训练，其实这只是对于使用dos命令行调用libsvm时的规定，因为libsvm自定义的特征文件格式是与其读取相匹配的。

如果我们使用自己的读取文件函数，则完全不用拘束于这种格式，只要我们在读取函数之中与我们自己的特征文件格式相匹配即可。

在libsvm中，与读取特征文件相关的类型为svm_problem。这个类中有三个元素，如下所示：

   
   
struct svm_problem
{
int n; //记录样本总数
double *y; //记录样本所属类别
struct svm_node **x; //存储所有样本的特征，二维数组，一行存一个样本的所有特征
};
   
   

其中svm_node类型的定义如下：

   
   
struct svm_node //用来存储输入空间中的单个特征
{
int index; //该特征在特征空间中的维度编号
double value; //该特征的值
};
   
   

借用网上的一张图进行表示：

好了，知道在libsvm中特征是如何存储以后，就可以编写读取文件的函数了。

以我使用svm举例，我的特征文件如下图所示：

我使用SVM的类的头文件如下所示：

   
   
#include "svm.h"
#include <vector>
#include <list>
#include <iostream>
#include <Windows.h>

class ClassificationSVM
{
public:
ClassificationSVM();
~ClassificationSVM();
void train(const std::string& modelFileName);
void predict(const std::string& featureaFileName, const std::string& modelFileName);

private:
void setParam();
void readTrainData(const std::string& featureFileName);
private:
svm_parameter param;
svm_problem prob; //all the data for train
std:: list<svm_node*> dataList; //list of features of all the samples
std:: list< double> typeList; //list of type of all the samples
int sampleNum;
//bool* judgeRight;
};
   
   

其中 setParam函数设置如下所示：

   
   
void ClassificationSVM::setParam()
{
param.svm_type = C_SVC;
param.kernel_type = RBF;
param.degree = 3;
param.gamma = 0.5;
param.coef0 = 0;
param.nu = 0.5;
param.cache_size = 40;
param.C = 500;
param.eps = 1e-3;
param.p = 0.1;
param.shrinking = 1;
param.nr_weight = 0;
param.weight = NULL;
param.weight_label = NULL;
}
   
   

我的读取文件的函数如下所示：

   
   
void ClassificationSVM::readTrainData( const string& featureFileName)
{
FILE *fp = fopen(featureFileName.c_str(), "r");
if (fp == NULL)
{
cout << "open feature file error!" << endl;
return;
}

fseek(fp, 0L, SEEK_END);
long end = ftell(fp);
fseek(fp, 0L, SEEK_SET);
long start = ftell(fp);
//读取文件，直到文件末尾
while (start != end)
{
//FEATUREDIM是自定义变量，表示特征的维度
svm_node* features = new svm_node[FEATUREDIM + 1]; //因为需要结束标记，因此申请空间时特征维度+1
for ( int k = 0; k < FEATUREDIM; k++)
{
double value = 0;
fscanf(fp, "%lf", &value);
features[k].index = k + 1; //特征标号，从1开始
features[k].value = value; //特征值
}
features[FEATUREDIM].index = -1; //结束标记
char c;
fscanf(fp, "\n", &c);
char name[ 100];
fgets(name, 100, fp);
name[ strlen(name) - 1] = '\0';

//negative sample type is 0
int type = 0;
//positive sample type is 1
if (featureFileName == "PositiveFeatures.txt")
type = 1;
dataList.push_back(features);
typeList.push_back(type);
sampleNum++;
start = ftell(fp);
}
fclose(fp);
}
   
   

其中dataList和typeList分别存放特征值和该特征样本对应的标号（正或负）。

**修改**

dataList和typeList的声明如下：

std::list<svm_node*> dataList;//list of features of all the samples 
std::list<double>  typeList;//list of type of all the samples

三、svm训练和识别

训练时的代码如下图所示：

   
   
void ClassificationSVM::train( const string& modelFileName)
{
cout << "reading positivie features..." << endl;
readTrainData( "PositiveFeatures.txt");
cout << "reading negative features..." << endl;
readTrainData( "NegativeFeatures.txt");
cout << sampleNum << endl;
prob.l = sampleNum; //number of training samples
prob.x = new svm_node *[prob.l]; //features of all the training samples
prob.y = new double[prob.l]; //type of all the training samples
int index = 0;
while (!dataList.empty())
{
prob.x[index] = dataList.front();
prob.y[index] = typeList.front();
dataList.pop_front();
typeList.pop_front();
index++;
}

cout << "start training" << endl;
svm_model *svmModel = svm_train(&prob, ¶m);

cout << "save model" << endl;
svm_save_model(modelFileName.c_str(), svmModel);
cout << "done!" << endl;
}
   
   

prob是svm_problem类型的对象，就是把之前读取的特征全部放入svm_problem的对象中。

svm_train和svm_save_model函数都是libsvm中自带的，在svm.h中定义。

分类时的代码如下所示：

   
   
void ClassificationSVM::predict( const string& featureFileName, const string& modelFileName)
{
std:: vector< bool> judgeRight;
svm_model *svmModel = svm_load_model(modelFileName.c_str());
FILE *fp;
if ((fp = fopen(featureFileName.c_str(), "rt")) == NULL)
return;

fseek(fp, 0L, SEEK_END);
long end = ftell(fp);
fseek(fp, 0L, SEEK_SET);
long start = ftell(fp);
while (start != end)
{
svm_node* input = new svm_node[FEATUREDIM + 1];
for ( int k = 0; k<FEATUREDIM; k++)
{
double value = 0;
fscanf(fp, "%lf", &value);
input[k].index = k + 1;
input[k].value = value;
}
char c;
fscanf(fp, "\n", &c);
char name[ 100];
fgets(name, 100, fp);
name[ strlen(name) - 1] = '\0';

input[FEATUREDIM].index = -1;
int predictValue = svm_predict(svmModel, input);
if (featureFileName == "positive_test.txt")
{
if (predictValue == 0)
judgeRight.push_back( false);
else
judgeRight.push_back( true);
}
else if (featureFileName == "negative_test.txt")
{
if (predictValue == 1)
judgeRight.push_back( false);
else
judgeRight.push_back( true);
}
start = ftell(fp);
}
fclose(fp);

int correctNum = 0;
int totalNum = judgeRight.size();
for ( int i = 0; i < totalNum; i++)
{
if (judgeRight[i] == true)
correctNum++;
}
double precent = 1.0 * correctNum / totalNum;
cout << precent << endl;
}
   
   

分类时的代码与之前的代码非常类似，不多做赘述。

最后注意：标准的svm只支持二分类问题，对于多分类问题，需要进行其他的处理操作。

				版权声明：本文为博主原创文章，未经博主允许不得转载。					https://blog.csdn.net/lhanchao/article/details/53367532				</div>
							            <link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-f57960eb32.css">
					<div class="htmledit_views" id="content_views">