LibSVM笔记系列（3）——初学移植libsvm的C/C++版本

在LibSVM笔记系列（1）中已经提到在g++环境中编译LibSVM只需要一个make命令那样简单。

本文将介绍

（1）LibSVM的编译文件结构

（2）svm.h中重要数据结构及函数分析

（3）svm_train.c 和 svm_predict.c源代码分析

（4）如何将LibSVM移植到eclipse IDE环境中

1. LibSVM编译文件结构

要了解一个工程是如何编译链接的，最好的办法是参考Makefile。

下图描述了生成svm-predict和svm-train目标的过程，支持向量机的所有相关的核心代码在svm.cpp中实现，svm_train.c和svm_predict.c中只是提供了训练和预测的主函数接口而已。我们将svm修改移植时只需要仿照svm_train.c或svm_predict.c进行修改就可以了。

2. svm.h中重要数据结构及函数分析（参考README）

大部分函数在头文件“svm.h”，因此在自己的C/C++文件中必须#include "svm.h"，而且
要将svm.cpp一同编译到自己的程序当中。可以参考svm-train.c和svm-predict.c。在
svm.h中定义了LIBSVM_VERSION以及声明了'extern int libsvm_version'。

在对测试数据分类前，需要使用训练数据构建一个'svm_model'，这个模型可以存到文件
中或立即被使用。

- Function: struct svm_model *svm_train(const struct svm_problem *prob,
const struct svm_parameter *param);

    This function constructs and returns an SVM model according to
    the given training data and parameters.

    struct svm_problem
    {
        int l;                 // 训练数据的数量
        double *y;             // 包含标签值的数组
        struct svm_node **x;   // 指针数组，每一个指针指向一个训练的特征向量
    };


    比如，数据如下:

    LABEL ATTR1ATTR2 ATTR3ATTR4 ATTR5
    ----- ---------- ---------- -----
      1  0   0.1  0.2   0  0
      2  0   0.1  0.3  -1.2  0
      1  0.4   0  0  0 0
      2  0   0.1  0   1.4  0.5
      3 -0.1  -0.2  0.1   1.1  0.1

    则svm_problem结构体成员的值如下:

    l = 5

    y -> 1 2 1 2 3

    x -> [ ] -> (2,0.1) (3,0.2) (-1,?)
[ ] -> (2,0.1) (3,0.3) (4,-1.2) (-1,?)
[ ] -> (1,0.4) (-1,?)
[ ] -> (2,0.1) (4,1.4) (5,0.5) (-1,?)
[ ] -> (1,-0.1) (2,-0.2) (3,0.1) (4,1.1) (5,0.1) (-1,?)


   注意x，其中的(index,value)存储在'svm_node'结构体中：
 
   struct svm_node
{
int index;         // 特征向量中非0元素的索引
double value;      // 索引值位置对应的特征值
};        
   
   index = -1 表示向量的结束。注意，index的值是递增的。

   struct svm_parameter 描述了SVM model的参数：

struct svm_parameter
{
int svm_type;
int kernel_type;
int degree;  /* for poly */
double gamma;  /* for poly/rbf/sigmoid */
double coef0;  /* for poly/sigmoid */

/* these are for training only */
double cache_size; /* in MB */
double eps;  /* stopping criteria */
double C;  /* for C_SVC, EPSILON_SVR, and NU_SVR */
int nr_weight;/* for C_SVC */
int *weight_label;/* for C_SVC */
double* weight;/* for C_SVC */
double nu;  /* for NU_SVC, ONE_CLASS, and NU_SVR */
double p;  /* for EPSILON_SVR */
int shrinking;/* use the shrinking heuristics */
int probability; /* do probability estimates */
};

    svm_type 可以为C_SVC, NU_SVC, ONE_CLASS, EPSILON, NU_SVR.

    C_SVC: C-SVM classification
    NU_SVC: nu-SVM classification
    ONE_CLASS: one-class-SVM
    EPSILON_SVR: epsilon-SVM regression
    NU_SVR: nu-SVM regression

    kernel_type可以为LINEAR, POLY, RBF, SIGMOID.

    LINEAR: u'*v
    POLY: (gamma*u'*v + coef0)^degree
    RBF: exp(-gamma*|u-v|^2)
    SIGMOID: tanh(gamma*u'*v + coef0)
    PRECOMPUTED: kernel values in training_set_file

    注意：在还要使用svm_train返回的svm_model的情况下，不能将svm_problem的内存空间释放，
    因为svm_model中含有指向svm_problem结构的指针。

    注意：为了避免传入错误的参数，应该在使用svm_train之前使用svm_check_parameter()检验。

    svm_model存储了训练过程获得的模型，不建议直接访问该结构体中的实体，而应该使用接口
    函数获得结构体中成员的值。


struct svm_model
{
struct svm_parameter param;/* parameter */
int nr_class;  /* number of classes, = 2 in regression/one class svm */
int l;  /* total #SV */
struct svm_node **SV;   /* SVs (SV[l]) */
double **sv_coef;/* coefficients for SVs in decision functions (sv_coef[k-1][l]) */
double *rho;  /* constants in decision functions (rho[k*(k-1)/2]) */
double *probA;/* pairwise probability information */
double *probB;
int *sv_indices;        /* sv_indices[0,...,nSV-1] are values in [1,...,num_traning_data] to indicate SVs in the training set */

/* for classification only */

int *label;  /* label of each class (label[k]) */
int *nSV;  /* number of SVs for each class (nSV[k]) */
/* nSV[0] + nSV[1] + ... + nSV[k-1] = l */
/* XXX */
int free_sv;  /* 1 if svm_model is created by svm_load_model*/
/* 0 if svm_model is created by svm_train */
};


    SV和sv_coef是支持向量和对应的系数。假设有k类，对于第j类中的数据，对应的sv_coef包括
    支持向量的系数是一个 (k-1)y*alpha 的向量，比如有4类，则sv_coef和SV如下：

        +-+-+-+--------------------+
        |1|1|1|                    |
        |v|v|v|  SVs from class 1  |
        |2|3|4|                    |
        +-+-+-+--------------------+
        |1|2|2|                    |
        |v|v|v|  SVs from class 2  |
        |2|3|4|                    |
        +-+-+-+--------------------+
        |1|2|3|                    |
        |v|v|v|  SVs from class 3  |
        |3|3|4|                    |
        +-+-+-+--------------------+
        |1|2|3|                    |
        |v|v|v|  SVs from class 4  |
        |4|4|4|                    |
        +-+-+-+--------------------+

    参考svm_train()，其中给sv_coef赋了值。

    rho是平衡项（-b）。probA和probB是用于概率输出的参数。如果有k类，则有k*(k-1)/2
    个二元分类问题，按照如下的方式对齐：

    1 vs 2, 1 vs 3, ..., 1 vs k, 2 vs 3, ..., 2 vs k, ..., k-1 vs k.

    sv_indices[0,...,nSV-1]值在[1,...,num_training_data]范围内，标识训练数据集中的支持向量。

    label 包含了训练数据集中的标签。

    nSV包含了训练数据集中每类的支持向量数。

    free_sv是一个标志，决定是否在free_model_content(struct svm_model*)中
    和free_and_destroy_model(struct svm_model**)中将SV的空间释放。如果SV是由svm_train()得到
    的，则设置为0，不能释放，如果是通过svm_load_model加载的，则设置为1。

- Function: double svm_predict(const struct svm_model *model,
                               const struct svm_node *x);

    For a classification model, the predicted class for x is returned.
    For a regression model, the function value of x calculated using
    the model is returned. For an one-class model, +1 or -1 is
    returned.
 

3. svm_train.c的源代码分析

注意，虽然看到的是.c的文件，但里面实际使用了不少C++特有的东西，因此，在后面eclipse移植过程中最好“新建C++”工程。

svm_predict.c的代码分析类似，svm_predict的过程比svm_train更简单。

4. 将LibSVM移植到eclipse IDE的过程

前提要求：配置好的eclipse C/C++环境，或者使用VC环境也一样

移植文件：svm.cpp  svm.h  svm-train.c

拷贝数据文件：heart_scale

（1）新建C++工程

（2）将“移植文件”拷贝到工程目录并添加到工程

（3）添加命令行参数，eclipse中，在“Run Configurations”的Arguments选项卡中添加heart_scale heart_scale.model。

（4）编译运行结果，与make结果相同

*
optimization finished, #iter = 162
nu = 0.431029
obj = -100.877288, rho = 0.424462
nSV = 132, nBSV = 107
Total nSV = 132