LIBSVM回归详细操作步骤(附图)－－更新至20090806

日志

关于我

小蝌蚪

文章分类

2010-04-11 14:53:44| 分类：默认分类 | 标签： |举报 |字号大中小订阅

下载LOFTER 我的照片书 |

LIBSVM回归详细操作步骤(附图)－－更新至20090806 - 小蝌蚪 - 飘然一夏 (2009-04-13 22:24:38)

TE< LIBSVM回归详细操作步骤(附图)－－更新至20090806 - 小蝌蚪 - 飘然一夏转载TE<

标签：

分类：科研-支持向量机(SVM)预测

P.S. 多谢“三月未央”网友的提醒，本文中的一些错误得到改正，原先的第五幅图中路径有错（估计那晚太困了，稀里糊涂的就写出来了，实为害人啊 LIBSVM回归详细操作步骤(附图)－－更新至20090806 - 小蝌蚪 - 飘然一夏）！再次感谢你们的关注，希望在交流中一起进步!修改和增加部分已经用红色字体区分了，还有就是第五章图，估计以前做错的人不少，不要怪我！先前的一些步骤可以参照我《科研-支持向量机(SVM)预测》中的几篇，包括文件格式等。

晚上一网友发来消息说还是不清楚怎么做，老出错，现在有点闲功夫，截了一些图按部就班的做了，希望能看懂。

其实只要修改一个文件（gridregression.py）的路径就可以了，其他网上说的两个文件（grid.py和easy.py）的路径可以不做修改，因为回归根本没有用到。修改的地方是绿色的两行路径，写成实际路径就可以了。网上下载下来的一般都是r"...svm-..."所以要改。修改后如下图。

改完之后，首先把你的数据集包括data2和test2（这是原始的）放到C:\libsvm-2.88\windows下。

现在要做的就是真正意义上的第一步，归一化处理，这一步要做，希望不要为了简便不做，这样预测出来不准。具体在dos下调完路径后，执行下面两句，分别是归一化数据集和测试集后产生新的两个文件data和test。

至于路径的问题，很多不涉及计算机专业的网友很痛苦，经常会不知所措。不过我再多嘴一次：先输入字母cd，大小写都无所谓了，然后空格，之后就是你想要让dos去运行的地址（路径）。可以老老实实的手打，也可以复制C:\libsvm-2.88\windows，然后粘贴，dos框下Ctrl＋V无效，只能鼠标右击选择粘帖。最后按一回车键就把路径调到C:\libsvm-2.88\windows下了。

现在C:\libsvm-2.88\windows中多了两个文件，其实还有一个scale，不用管他，不起作用！

现在是通过gridregression.py函数进行参数寻优，把路径调好，注意调到C:\Python25下了。输入下面的语句python C:\libsvm-2.88\python\gridregression.py -svmtrain C:\libsvm-2.88\windows\svm-train.exe -gnuplot C:\gnuplot\bin\pgnuplot.exe -log2c -10,10,1 -log2g -10,10,1 -log2p -10,10,1 -v 10 -s 3 -t 2 C:\libsvm-2.88\windows\data.txt > gridregression_data.parameter，可能你要等很长时间，我的数据很多搞了一个晚上。

有天早上一个朋友说你昨晚这么晚回来，早上怎么7点就上线了啊qq，汗，电脑一夜跑这玩意儿。。。扯远了。

PS.命令很长可以选择上述方法复制后，在dos框中右击粘贴完成。当然有热心的新浪网友的建议：（这么长的命令在dos下敲很容易出错的，建议大家在相应目录下建立一个bat文件，如“py.bat",把相应命令拷贝过去，直接运行"py"，这样就省事多了。希望博主把这方法加到你的博文里。），我还没有试过。

训练完后，在C:\Python25中会有一个gridregression_data.parameter文件，里面就是自动寻优的结果，主要也是为了这个东西，搞了我老半天nnd。

打开它，下面最后一行分别为c,g,p,mse。其中mse没有用，其实这个值越小越好。

P.S. 有网友回复说：data训练时的mse=88.1545，而test测试时mse=401.938（他的数据结果），其实data训练的mse不是越小越好，过小以后，会形成过学习情况。其实严格意义上说是test的mse越小越好，因为它越小，最终的预测精度越高。另外，还可以通过squared correlation coefficient判断，它越接近1，也说明预测的精度越高。这是我做过many数据试验的吐血结果，望与大家分享。

把刚才的3个参数用来进行训练svm模型。把路径重新调回C:\libsvm-2.88\windows，输入语句训练，会在C:\libsvm-2.88\windows里产生一个data.txt.model文件。训练好了紧接着对test文件预测，输入第二条语句，得出结果在out里面。

最后打开out和test文件比较一下结果差多少，自己去计算咯。

到此已经实现了libsvm软件做回归预测的全过程，个人认为已经很详尽，比网上任何帖子都清楚哈哈。哪里不清楚的希望大家一起讨论~~

《科研-支持向量机(SVM)预测》中的相关文章：

使用宏命令FormatDataLibsvm.xls将数据转成LIBSVM格式

LIBSVM做回归预测--终于弄通（原创）

终于搞定svm回归

LIBSVM回归详细操作步骤(附图)

关于LIBSVM版本问题

分享到新浪微博

阅读(3878)┊ 评论 (77)┊收藏(1)┊ LIBSVM回归详细操作步骤(附图)－－更新至20090806 - 小蝌蚪 - 飘然一夏转载┊分享┊ 打印┊举报

已投稿到：	排行榜圈子

已投稿到：

LIBSVM回归详细操作步骤(附图)－－更新至20090806 - 小蝌蚪 - 飘然一夏排行榜圈子

转载列表：

TE<转载TE<

转载是分享博文的一种常用方式...

前一篇：终于搞定svm回归

后一篇：回去半个月

评论重要提示：警惕虚假中奖信息，点击查看详情 [TE<发评论TE<]

新浪网友2009-04-15 10:33:40 [举报]

确实很详细，不过是不是还要设置一下环境变量才行？加我的QQ:363229939。我已经把我的身份验证取消了。
新浪网友2009-04-17 21:38:32 [举报]

请问，我老在第54行判断参数个数那出错，导致:print usage SyntaxError:invalid syntax

是怎么回事，我按照你的输的

博主回复：2009-04-20 09:41:22

还是路径问题不正确吧，路径和我不一样的话，语句要相应修改的。
新浪网友2009-04-22 11:04:32 [举报]

方法路径完全和你一样还是老出错，第52行，print usage SyntaxError:invalid syntax，这么回事
梦在继续2009-04-22 18:28:38 [举报]

第几步出错,哪张图片出错,你跟我说清楚,不行的话你留下qq我教你...
新浪网友2009-04-23 09:07:27 [举报]

我算的是这样的，你的第一幅图里svmtrain_exe = r"E:\svm\libsvm\windows\svm-scale.exe"我这总出错

C:\Python25>python E:\svm\libsvm\python\gridregression.py –svmtrain E:\svm\libs

vm\windows\svm-train.exe –gnuplot E:\ svm\libsvm\ gp373w32\pgnuplot.exe -log2c

-10,10,1 -log2g -10,10,1 -log2p -10,10,1 -v 10 -s 3 -t 2  E:\svm\libsvm\windows\

train.2.txt>gridregression_train2.parameter

  File "E:\svm\libsvm\python\gridregression.py", line 16

    svmtrain_exe = r"E:\svm\libsvm\windows\svm-train.exe"

    ^

IndentationError: unexpected indent
新浪网友2009-04-23 09:33:28 [举报]

不好意思，刚才那个报错是因为多了些空格

现在又出现这个错误了

C:\Python25>python E:\svm\libsvm\python\gridregression.py -svm-train E:\svm\libs

vm\windows\svm-train.exe -gnuplot E:\ svm\libsvm\ gp373w32\pgnuplot.exe -log2c -

10,10,1 -log2g -10,10,1 -log2p -10,10,1 -v 10 -s 3 -t 2 E:\svm\libsvm\windows\t

rain.2.txt>gridregression_train2.parameter

E:\svm\libsvm\python\gridregression.py:204: DeprecationWarning: raising a string

exception is deprecated

if rate is None: raise "get no rate"
梦在继续2009-04-23 09:45:53 [举报]

你的第一行"-svm-train "错了,不需要第二个"-",你对这条语句没理解...-svmtrain E:...这样你再试一下吧
新浪网友2009-04-23 11:01:48 [举报]

我试过了，结果是一样的:(
新浪网友2009-04-23 16:23:17 [举报]

我刚才已经可以算了，是执行命令里几个空格写错了，非常感谢你回答我的问题！
新浪网友2009-04-23 21:38:58 [举报]

非常感谢!先看看再说.
dongxu2009-04-24 11:22:38 [举报]

你好请问我按照你说的做法，操作到第5幅图时，并没有产生.parameter这个文件，而是弹出gnuplot的窗口，然后要怎样操作，请指教，先谢了我的qq :978282861
新浪网友2009-05-03 16:27:59 [举报]

博主支持向量机达人，加我QQ吧：546479552，不光应用上有些问题，我想问问你应用到实际中的一些应用问题，看你做过电力系统方面的应用
新浪网友2009-05-04 10:02:05 [举报]

博主。能加下QQ吗？11661211 或者把你的LIBSVM的版本告诉下。我找不到你说的gridregression.py这个文件

博主回复：2009-05-04 10:31:54

百度键入「下载grid...」在一个论坛有人贴出来了
新浪网友2009-05-06 15:29:00 [举报]

第五张图片，照着用gridregression.py寻优，报错‘python’不是内部或外部命令，也不是可运行的程序或批处理文件，这是哪出错了呢

博主回复：2009-05-07 10:31:56

你可能没有下载gridregresion.py文件，或是下载下来的文件路径不对，或在dos下运行的路径或语句错了！
新浪网友2009-05-08 13:16:23 [举报]

强大的楼主，我有问题想请教。

如果我的输入是30组的66维数据，输出是30组的400维数据（66个输入节点，400个数出节点）用libsvm能实现么? 我想了好久，还是不知道data.txt到底应该怎么写，头大得很！

博主回复：2009-05-08 13:57:09

不管是回归还是分类,svm输出只有一个value.
新浪网友2009-05-18 09:01:36 [举报]

你好，问一下，你的第一副图中的gnuplot_exe=r"C:\gnuplot\bin\pgnuplot.exe"是不是要先下载gnuplot啊？为什么我下载的gnuplot中没有bin呢？
新浪网友2009-05-18 09:02:15 [举报]

第五张图片，照着用gridregression.py寻优，报错‘python’不是内部或外部命令，也不是可运行的程序或批处理文件，这是哪出错了呢？
梦在继续2009-05-18 09:14:48 [举报]

你可能没有下载gridregresion.py文件，或是下载下来的文件路径不对，或在dos下运行的路径或语句错了！
新浪网友2009-05-29 10:08:55 [举报]

楼主，最终预测效果很好，但是从得到的参数中，如何写出f(x)的回归函数模型呢，qq：939795666？
梦在继续2009-05-29 15:33:22 [举报]

模型就是svm的理论啊,,,什么转化为二次规划问题,libsvm是基于理论来计算该问题的,所以只要把你做的参数和结果写上去就好了.
新浪网友2009-05-30 17:17:39 [举报]

您好，我下载的libsiv2.86怎么没有gridregression文件啊？能不能给我传一个完整的libsiv2.86？谢谢！！QQ276204899
lypzqq2009-06-02 21:23:51 [举报]

你好，在你的博客中看到关于libsvm的文章，有个问题已经困扰好几天，想请教一下，不胜感激：

我按照网络上的方法把libsvm-2.82解压到C:\下面，grid.py,easy.py移动到libsvm-2.82\python下面，并且

里面的内容也改了。为什么在输入命令：

C:\Python>python C:\libsvm-2.82\python\easy.py C:\libsvm-2.82\python\heart_scale后，

出现错误：

File "C:\libsvm-2.82\python\easy.py",line 7

print 'Usage: %s training_file [testing_file]' % sys.argv[0]

syntaxError:invalid syntax

好向使用命令 grid.py时也有相似的错误，说输入不对

谢谢！
新浪网友2009-06-05 10:54:16 [举报]

hi,有一个问题，问什么我gridregression寻优出来的参数的预测结果还不如默认参数的识别率高？
新浪网友2009-06-05 10:55:12 [举报]

解释就是说参数寻优没发生效果，这让人很无语。

博主回复：2009-06-05 11:04:16

寻优的范围是自己定的,你没有设好范围,所以最优参数没有落在你的范围内!
新浪网友2009-06-05 16:22:50 [举报]

很详细，谢谢共享
新浪网友2009-06-05 16:22:52 [举报]

很详细，谢谢共享
新浪网友2009-06-05 16:26:50 [举报]

“训练好了紧接着对test文件预测，输入第二条语句，得出结果在out里面。最后打开out和test文件比较一下结果差多少”。个人理解貌似有点问题吧，我觉得这样比较没有什么意义呀？应该对data文件预测，得出out结果，然后比较out和test结果差多少，这样可以看出预测的效果如何
新浪网友2009-06-05 16:29:34 [举报]

“训练好了紧接着对test文件预测”，为什么是对test文件预测不是对data文件预测呢？况且，对test文件进行预测后得到out文件，再“打开out和test文件比较一下结果”，这样比较没有什么意义吧.我觉得应该是对data文件预测，得出out结果，然后再比较预测的out与test的差别，这样才可以看出预测效果如何。不知这样理解对否

博主回复：2009-06-05 20:41:07

你没有理解什么叫拟合和预测。拟合是你所说的预测data，这事data数据是作为训练数据的，这叫拟合，拟合没意思，一般模型都是拟合很好，但是预测不一定。真正检验模型的好坏要看预测效果，所以预测test，test里的数据没有在data里出现过，故没有参加训练，所以这样才能体现模型的强大！！！值汗，汗，汗，不知你理解否？
新浪网友2009-06-06 10:36:32 [举报]

谢谢博主回复！经你一说，基本搞清了拟合和预测是怎么回事。用SVM训练data数据集，实际是拟合它，得出model，然后把test中的多维输入数据用该model进行预测，得出model的输出，再与test中的实际输出值对比，检验用此model预测的效果如何。万一预测效果不好该怎么办呢？修改模型参数还是怎么办？

博主回复：2009-06-06 19:14:11

大体就两个办法,一是参数不好,二是你本身的数据不适合拟合和预测或者说你特征选错了,选了一些不相关的了
馨韵2009-06-10 09:16:37 [举报]

博主，非常感谢这么详细地提供了libsvm步骤！同时，看到你这么热心地为大家解决问题，我也十分想和你交流一下，我的QQ是84005291，最近在做毕设，像上面的网友一样，照着用gridregression.py寻优，总是出现报错“‘python’不是内部或外部命令，也不是可运行的程序或批处理文件”的情况，查看了一些帖子，是不是我没有做好python和libsvm的接口问题，还是其他问题尼？我明天能在线，如果你看到了，希望能加我的QQ帮助我，多谢了！
新浪网友2009-06-18 14:31:18 [举报]

博主你好！我已经按你的方法把路径调好，在用gridregression.py函数进行参数寻优，在C:\Python25下运行，回车后电脑一直在计算，CPU一直是100%，我的训练数据集（已归一化）只有20行3列呀，怎么会算不出结果呢？？？期待博主的答复……

博主回复：2009-06-18 18:38:17

要等一段时间的，还有可能你电脑配置问题吧～
中国墨海堂2009-06-18 23:08:01 [举报]

╰╮╰ ╰ ╰╮

╭╯╭╯╰╮╰╮

╰╮╰╮ ╭ ╯

╭ ╯╭╯╭╯

███████

█ 欣赏文章 █═╮

███████ ▏▏

███████═╯　　

◥█████◤

给你增加点人气来咯·记得也来踩踩我的博客哦！~~
新浪网友2009-06-29 17:27:49 [举报]

谢谢楼主了，讲解的这么详细，我有个问题，在运行时出现了错误

Traceback(most recent call last):

    File "C:\python25\gridregression.py",Line 308 ,in?

   main()

File "C:\python25\gridregression.py",Line 300 ,in main

   print " (best c=%s, g=%s,p=%s,mse=%s)" % \

unboundLocalError: local variable 'best_c' referenced before assignment

这时进程svm-train.exe还在运行，CPU使用率在68%，请问这种情况正常么，会不会影响结果，谢谢了

博主回复：2009-07-01 14:25:40

你贴出来的错误我木有碰到过哦。不过在寻优（gridregression）过程中cpu是很高的，运行train时候应该不高的!
新浪网友2009-07-03 11:49:57 [举报]

非常感谢博主。这么长的命令在dos下敲很容易出错的，建议大家在相应目录下建立一个bat文件，如“py.bat",把相应命令拷贝过去，直接运行"py"，这样就省事多了。希望博主把这方法加到你的博文里。
新浪网友2009-07-11 14:52:33 [举报]

第三幅图中，svm-scale中的参数-r与-s的差距在哪里，楼主能具体解释一下吗？？要是第二条scale语句中，也和第一条一样用-s会有区别吗？还是一样呢，请指教

博主回复：2009-07-12 08:36:04

这几天在桂林玩真没时间上网！你提的很好，有很大的区别！第二条语句是用第一条语句中的规一化格式来归一化测试集文件的。我电脑不在，否则把英文版原话贴出来，你可以去READ ME文件中鉴定下…玩去了MAY U WORK IT OUT!
新浪网友2009-07-14 11:14:20 [举报]

我看了一下，楼主的data文件仅40kb，而我的是600多kb，我的已经训练了48小时，现在还没训练完呢，郁闷啊！！我该怎么办呢，也不知道何时能训练完，另外，你的40kb训练。机器跑了一夜，是否我的600kb就要跑你的15倍时间啊。这样的速度也太慢了吧，楼主help me！

博主回复：2009-07-15 07:54:56

考虑到时间问题，很多学者采用其他改进算法来加快计算，什么分块，最小二乘SVM等我看过也忘了！
新浪网友2009-07-15 10:19:17 [举报]

谢谢楼主回复，我以上说的其实是“参数寻优”的过程，我的gridregression快运行72小时了，还没有最终的结果；其实我的训练还没开始呢，实在是等的有点无法忍受了。我的机器还可以，运行时cpu用到50%左右。我也不知道该如何提高参数寻优的速度。我想做几组数据，一组数据就耗费这么长时间，其它的时间都来不及做。

博主回复：2009-07-15 23:11:45

语句中log后面有三个参数，为左、右区间和步长，你把步长这个参数弄大点，搜索的网格大，时间少！三个步长都去改改哦！
Haylyer2009-07-15 19:53:35 [举报]

请问楼主设定的参数里面，哪个是误差惩罚因子，哪个是不敏感损失系数啊。

在训练之前是不是一定要做归一化处理啊？我有6组数据是用来做预测的，最后6组数据的预测值都是同一个数字，当然跟实际值相差很大。这个可能是什么原因啊，是不是参数的选择有问题。我也有用楼主说的“参数寻优”，得出来的结果感觉怪怪的。想跟楼主讨论一下啊，我的QQ147324147

博主回复：2009-07-15 23:24:12

属性太相近了。建议删除一些相似属性
Haylyer2009-07-15 21:08:26 [举报]

我的gridregression_data.parameter中得到的参数如下，有不同的值，该怎么选取啊

[local] 0.0 0.0 0.0 2318720.0  (best c=1.0, g=1.0, p=1.0, mse=2318720.0)

[local] 0.0 0.0 -5.0 2318660.0  (best c=1.0, g=1.0, p=0.03125, mse=2318660.0)

[local] 0.0 0.0 6.0 2312560.0  (best c=1.0, g=1.0, p=64.0, mse=2312560.0)

[local] 0.0 0.0 -8.0 2318660.0  (best c=1.0, g=1.0, p=64.0, mse=2312560.0)

[local] 0.0 0.0 3.0 2319070.0  (best c=1.0, g=1.0, p=64.0, mse=2312560.0)

[local] 0.0 0.0 -2.0 2318660.0  (best c=1.0, g=1.0, p=64.0, mse=2312560.0)

[local] 0.0 0.0 9.0 2058160.0  (best c=1.0, g=1.0, p=512.0, mse=2058160.0)

博主回复：2009-07-16 08:53:59

选最后一行，我博客中有详细介绍，不过我看了你的结果貌似寻优还未结束你就复制上来了，还有你寻参的结果不是很好，MSE太大了！
新浪网友2009-07-16 16:23:36 [举报]

楼主，你好。我就是楼上的那个data文件有631k的网友，我的参数寻优截止目前为止尚未完成（90个小时，regresssion-data.parameter大小280k），但是我用暂时已经得出的参数：“(best c=512.0, g=0.5, p=16.0, mse=1002.94)“进行了train和predict，发现它们的速度非常快--眨眼之间，就是参数寻优慢的很。楼主针对这个问题不知道有没有什么高招（用遗传算法或者粒子群算法？？）；另外，我的预测结果平均绝对误差MAE=4.48%，楼主觉得这个预测结果能否接受？还需要在改进吗？楼主自己的预测精度是多少不知能否告知。

再次感谢楼主无私的把自己的研究成果与大家共享。

博主回复：2009-07-16 18:14:01

可以用你说的方法加速寻优！TRAIN的时候速度是很快！我的MAE是3多一点，你的结果也不差！还有你参照我上面回复的方法，增加步长减少时间寻优！我只是用了这个软件，提不上研究成果！
Haylyer2009-07-17 16:26:05 [举报]

谢谢楼主对我问题的回复。我删除了一些相似的属性，但是寻参时MSE还是太大了，寻参的结果不好，得到的预测值跟实际值相差很大。请问楼主这有什么办法改进啊。

博主回复：2009-07-17 17:38:21

能说明一些问题，就是你的属性不能准确的反映（预测）你的目标值，可能是你选取的属性不好，也可能是你的数据有问题！
新浪网友2009-08-06 15:31:32 [举报]

楼主，你好！我和你在QQ讨论过这个问题，不知道你注意没有：data训练时的mse=88.1545，而test测试时mse=401.938，其实data训练的mse不是越小越好，过小以后，会形成过学习情况。其实严格意义上说是test的mse越小越好，因为它越小，最终的预测精度越高。另外，还可以通过squared correlation coefficient判断，它越接近1，也说明预测的精度越高。这是我做过many数据试验的吐血结果，望与大家分享。

博主回复：2009-08-06 16:31:41

你说的很对~thx 4 ur endeavor!
新浪网友2009-08-06 15:32:47 [举报]

怎么看不见我的回复啊
新浪网友2009-08-09 09:43:12 [举报]

楼主，想问一下，执行SVM-SCALE归一化后如果数据不在-1到1之间，是不是出了问题啊
新浪网友2009-08-11 16:56:44 [举报]

gridregression.py这个文件我怎么找不到呢？
HELP2009-08-18 10:39:25 [举报]

C:\python26>python C:\libsvm-2.89\python\gridregression.py -svmtrain C:\libsvm-2.89\windows\svm-train.exe -gnuplot C:\gnuplot\bin\pgnuplot.exe -log2c -10,10,1 -log2g -10,10,1 -log2p -10,10,1 -v 10 -s 3 -t 2 C:\libsvm-2.89\windows\train.txt > gridregression_data.parameter

Traceback <most recent call last>:

      file "c:\libsvm-2.89\python\gridregression.py",line 308, in<module>

        main<>

     file "c:\libsvm-2.89\python\gridregression.py",line 240, in main

        process_options<>

     file "c:\libsvm-2.89\python\gridregression.py",line 96, in process_options

     assert os.path.exists<gnuplot_exe>,"gnuplot executable not found

AssertionError:gunplot executable not found

请高手么帮忙看看这是咋回事，我按版主的只改了girdregression.py中的两个路径svmtrain_exe = "c:\libsvm-2.89\windows\svm-train.exe"

gnuplot_exe = "c:\gnuplot\bin\pgnuplot.exe"。其他文件路径都按版主说的放到C盘，其他都没改，请大家帮忙看看这错误咋改
HELP2009-08-18 11:27:01 [举报]

版主帮忙看看呀，如果方便可否加我QQ271230272想你讨教以下我是初学
HELP2009-08-18 11:39:56 [举报]

我发现我的gunplot文件夹中里面没有pgnuplot.exe 而是gnuplot.exe 、gunplot_x11.exe、gunpmdrv.exe。而你代码中C:\gnuplot\bin\pgnuplot.exe ，我的gunplot下载的是最新版
简单的快乐2009-08-19 13:35:32 [举报]

博主，我按照你做的里面参数寻优的时候老师出错，能不能加下你的ＱＱ请教下您！十万火急，谢谢了
简单的快乐2009-08-19 14:10:58 [举报]

博主，我参照你写的这个我做了但是参数寻优老是出错，能不能加一下我的QQ请教下您，十万火急，谢谢

评论这张

转发至微博

阅读(3633)| 评论(3)

历史上的今天

this.p={  m:2,
              b:2,
              loftPermalink:'',
              id:'fks_080064093081089065082086084095085084082070084085080',
              blogTitle:'LIBSVM回归详细操作步骤(附图)－－更新至20090806',
              blogAbstract:'<P style=\"TEXT-INDENT: 2em;\"  \> </P\>  <P style=\"TEXT-INDENT: 2em;\"  \><IMG title=\"LIBSVM回归详细操作步骤(附图)－－更新至20090806 - 小蝌蚪 - 飘然一夏\"  alt=\"LIBSVM回归详细操作步骤(附图)－－更新至20090806 - 小蝌蚪 - 飘然一夏\"  src=\"http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif\"  border=\"0\" \>(2009-04-13 22:24:38) </P\>  <P style=\"TEXT-INDENT: 2em;\"  \><CI\>TE<<IMG title=\"LIBSVM回归详细操作步骤(附图)－－更新至20090806 - 小蝌蚪 - 飘然一夏\"  alt=\"LIBSVM回归详细操作步骤(附图)－－更新至20090806 - 小蝌蚪 - 飘然一夏\"  src=\"http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif\"  border=\"0\" \>转载TE<</P\>  <P style=\"TEXT-INDENT: 2em;\"  \>  <TABLE\>  <TBODY\>  <TR\>  <TD\>标签：   <P\></P\>  <P style=\"TEXT-INDENT: 2em;\"  \><A rel=\"nofollow\" href=\"http://uni.sina.com.cn/c.php?t=blog&k=libsvm&ts=bpost&stype=tag\"  \>libsvm</A\></P\>  <P style=\"TEXT-INDENT: 2em;\"  \></P\></TD\></TR\></TABLE\></P\>',
              blogTag:'',
              blogUrl:'blog/static/1235036201031125344234',
              isPublished:1,
              istop:false,
              type:0,
              modifyTime:1316920244641,
              publishTime:1270968824234,
              permalink:'blog/static/1235036201031125344234',
              commentCount:3,
              mainCommentCount:3,
              recommendCount:0,
              bsrk:-100,
              publisherId:0,
              recomBlogHome:false,
              currentRecomBlog:false,
              attachmentsFileIds:[],
              vote:{},
              groupInfo:{},
              friendstatus:'none',
              followstatus:'unFollow',
              pubSucc:'',
              visitorProvince:'',
              visitorCity:'',
              visitorNewUser:false,
              postAddInfo:{},
              mset:'000',
              mcon:'',
              srk:-100,
              remindgoodnightblog:false,
              isBlackVisitor:false,
              isShowYodaoAd:false,
              hostIntro:'',
              hmcon:'1',
              selfRecomBlogCount:'0',
              lofter_single:'<iframe width="140" height="560" style="overflow:hidden;" src="http://www.lofter.com/mailEntry.do?blogad=1&blog" frameBorder="0"></iframe>'
            }

{list a as x}
    {if !!x}
    <div class="iblock nbw-fce nbw-f40">
      <a class="fc03 noul" target="_blank" hidefocus="true" href="http://blog.163.com/${x.visitorName}/">
      {if x.visitorName==visitor.userName}
      <img alt="${x.visitorNickname|escape}" onerror="this.src=location.f40" class="cwd bdwa bdc0" src="${fn1(x.visitorName)}&r=${visitor.imageUpdateTime}"/>
      {else}
      <img alt="${x.visitorNickname|escape}" onerror="this.src=location.f40" class="cwd bdwa bdc0" src="${fn1(x.visitorName)}"/>
      {/if}
      </a>
      <div class="cwd vname thide">
        {if x.moveFrom=='wap'}
          <a class="noul pnt" target="_blank" href="http://blog.163.com/services/wapblog.html?frompersonalbloghome"><span title="来自网易手机博客" class="iblock wapIcon"> </span></a>
        {elseif x.moveFrom=='iphone'}
          <a class="noul pnt" target="_blank"><span title="来自iPhone客户端" class="iblock iphoneIcon"> </span></a>
        {elseif x.moveFrom=='android'}
          <a class="noul pnt" target="_blank"><span title="来自Android客户端" class="iblock androidIcon"> </span></a>
        {elseif x.moveFrom=='mobile'}
          <a class="noul pnt" target="_blank" href="http://blog.163.com/services/emsblog.html?frompersonalbloghome"><span title="来自网易短信写博" class="iblock wapIcon"> </span></a>
        {/if}
        <a class="fc03 m2a"  target="_blank" hidefocus="true" href="http://blog.163.com/${x.visitorName}/">
          ${fn(x.visitorNickname,8)|escape}
        </a>
      </div>
    </div>
    {/if}
    {/list}

<#--最新日志，群博日志--> <#--推荐日志-->

<p class="fc06">推荐过这篇日志的人：</p>
    <div>
      {list a as x}
      {if !!x}
      <div class="iblock nbw-fce nbw-f40">
        <a class="fc03 noul" target="_blank" hidefocus="true" href="http://blog.163.com/${x.recommenderName}/">
        <img alt="${x.recommenderNickname|escape}" onerror="this.src=location.f40" class="cwd bdwa bdc0" src="${fn1(x.recommenderName)}"/>
        </a>
        <div class="cwd thide">
          <a class="fc03 m2a" target="_blank" hidefocus="true" href="http://blog.163.com/${x.recommenderName}/">
            ${fn(x.recommenderNickname,6)|escape}
          </a>
        </div>
      </div>
      {/if}
      {/list}
    </div>
    {if !!b&&b.length>0}
    <p  class="fc06">他们还推荐了：</p>
    <ul>
    {list b as y}
      {if !!y}
        <li class="rrb"><span class="iblock">·</span><a class="fc03 m2a" target="_blank" href="http://blog.163.com/${y.recommendBlogPermalink}/?from=blog/static/1235036201031125344234">${y.recommendBlogTitle|escape}</a></li>
      {/if}
    {/list}
    </ul>
    {/if}

<#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇，下一篇--> <#-- 热度 -->

{list a as x}
    {if !!x}
    <div class="hotItem iblock nbw-fce nbw-f40">
      <a class="fc03 noul" target="_blank" hidefocus="true" href="http://blog.163.com/${x.publisherUsername}/">
      {if x.publisherUsername==visitor.userName}
      <img alt="${x.publisherNickname|escape}" onerror="this.src=location.f40" class="cwd bdwa bdc0" src="${fn1(x.publisherUsername)}&r=${visitor.imageUpdateTime}"/>
      {else}
      <img alt="${x.publisherNickname|escape}" onerror="this.src=location.f40" class="cwd bdwa bdc0" src="${fn1(x.publisherUsername)}"/>
      {/if}
      </a>
      <div class="cwd vname thide">
        <a class="fc03 m2a"  target="_blank" hidefocus="true" href="http://blog.163.com/${x.publisherUsername}/">
          ${fn(x.publisherNickname,8)|escape}
        </a>
      </div>
      <a class="f-myLikeIcons hottype {if x.type==1} js-liketype{elseif x.type==2} js-reblogtype{elseif x.type==3} js-sharetype{else}{/if}" target="_blank" hidefocus="true" href="http://blog.163.com/${x.publisherUsername}/"> </a>
    </div>
    {/if}
    {/list}

<#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->

页脚

我的照片书 - 手机博客 - 下载LOFTER APP - 订阅此博客

飘然一夏

导航

日志

LIBSVM回归详细操作步骤(附图)－－更新至20090806

历史上的今天

最近读者

热度

评论

页脚