LibSVM学习
目录
LibSVM学习 ............................................................................................................................................................................. 1 LibSVM学习 .............................................................................................................................................................................. 1
初识LibSVM ...................................................................................................................................................................... 1 第一次体验libSvm ............................................................................................................................................................. 4 LibSVM使用规范 .............................................................................................................................................................. 7
1. libSVM的数据格式 ................................................................................................................................................ 8 2. svmscale的用法 ...................................................................................................................................................... 8 3. svmtrain的用法 ..................................................................................................................................................... 10 4. svmpredict 的用法 ................................................................................................................................................ 13 逐步深入LibSVM ............................................................................................................................................................ 14 分界线的输出 .................................................................................................................................................................... 20 easy.py和grid.py的使用 ................................................................................................................................................. 24
1. grid.py使用方法 ................................................................................................................................................... 24 2. easy.py使用方法 ................................................................................................................................................... 26 参考.................................................................................................................................................................................... 31
LibSVM学习
初识LibSVM
LibSVM是 林智仁(Chih-Jen Lin's) 教授2001年开发的一套支持向量机的库，这套库运算速度还是挺快的，可以很方便的对数据做分类或回归。
由于libSVM程序小，运用灵活，输入参数少，并且是开源的，易于扩展，因此成为目前国内应用最多的SVM的库。
这套库可以从林智仁的home page上免费获得，目前已经发展到3.0版。下载.zip格式的版本，解压后可以看到，主要有5个文件夹和一些c++源码文件。
Java —— 主要是应用于java平台的源码和libsvm.jar包；
Python —— 是用来参数优选的工具，稍后介绍；
svm-toy —— 一个可视化的工具，用来展示训练数据和分类界面，里面是源码，其编译后的程序在windows文件夹下；
tools —— 主要包含四个python文件，用来数据集抽样(subset.py)，参数优选（grid.py），集成测试(easy.py), 数据检查(checkdata.py)；
windows —— 包含libSVM四个exe程序包，我们所用的库和程序就是它们。
其他.h和.cpp文件都是程序的源码，可以编译出相应的.exe文件。其中，最重要的是svm.h和svm.cpp文件，svm-predict.c、svm-scale.c和svm-train.c（还有一个svm-toy.cpp在svm-toy\\qt文件夹中）都是调用的这个文件中的接口函数，编译后就是windows下相应的四个exe程序。另外，里面的 README 跟 FAQ 也是很好的文件，对于初学者如果E文过得去，可以看一下。
下面以svm-train为例，简单的介绍下，怎么编译：（这步很简单，也没必要，对于仅仅使用libsvm库的人来说，windows下的4个exe包已经足够了，之所以加这步，是为了那些做深入研究的人，可以按照自己的思路改变一下svm.cpp，然后编译验证）
我用的是VC 6.0，新建一个控制台（win32 console application）程序，程序名叫svmtrain（这个可以随意），点击OK后，选择empty。
进入程序框架后，里面什么都没有，然后找到你的程序目录，把svm-train.c、svm.h和svm.cpp拷贝过去（.c文件是c语言的，要是你习惯了c++，你尽可以改成.cpp），然后把这3个文件添加到工程，编译。。。如果没错误，到debug下面看看，是不是有个svm-train.exe。其实windows下的svm-train.exe就是这样编译出来的。
哈哈，怎么样是不是很简单。但是，这样的程序直接运行没意义，他要在dos下运行，接收参数才行。下面开始我们的libsvm的体验之旅。
第一次体验libSvm
1. 把LibSVM包解压到相应的目录（因为我只需要里面windows文件夹中的东东，我们也可以只把windows文件夹拷到相应的目录），比如D:\\libsvm。
2. 在电脑“开始”的“运行”中输入cmd，进入DOS环境。定位到D:\\libsvm\\windows目录下，具体命令如下:
(上面第一行是先定位到盘符d，第二行cd 是定位到相应盘符下的目录)
3. 进行libsvm训练，输入命令：(这里要注意文件的名字，2.以前版本都是svmtrain.exe)
svm-train heart_scale train.model
PS：heart_scale ——是目录下的已经存在的样本文件（此处将下载的压缩文件中的heart_scale放置入D:\\libsvm\\windows下即可），要换成自己的文件，只需改成自己的文件名就可以了。
PS：train.model ——是创建的结果文件，保存了训练后的结果。
#iter为迭代次数;
nu 是你选择的核函数类型的参数;
obj为SVM文件转换为的二次规划求解得到的最小值，rho为判决函数的偏置项b;
nSV 为标准支持向量个数(0 在目录下，还可以看到产生了一个train.model文件，可以用记事本打开，记录了训练后的结果。 svm_type c_svc //所选择的svm类型，默认为c_svc kernel_type rbf //训练采用的核函数类型，此处为RBF核 gamma 0.0769231 //RBF核的参数γ nr_class 2 //类别数，此处为两分类问题 total_sv 132 //支持向量总个数 rho 0.424462 //判决函数的偏置项b label 1 -1 //原始文件中的类别标识 nr_sv 68 //每个类的支持向量机的个数 SV //以下为各个类的权系数及相应的支持向量 到现在，第一次体验libsvm到这就基本结束了，其他的两个(svm-predict、svm-scale)的使用过程类似。怎么样，挺爽的吧。对于个别参数你还不理解，没关系，下面我们会具体讲到。 LibSVM使用规范 其实，这部分写也是多余，google一下“libsvm使用”，就会N多的资源，但是， 为了让你少费点心，在这里就简单的介绍一下，有不清楚的只有动动你的mouse了。需要说明的是，2.版本以前，都是svmscale、svmtrain和svmpredict，最新的是svm-scale、svm-train和svm-predict，要是用不习惯，只需要把那四个exe文件名去掉中间的短横线，改成svmscale、svmtrain和svmpredict就可以了，我们还是按原来函数名的讲。 1. libSVM的数据格式 Label 1:value 2:value …. Label：是类别的标识，比如上节train.model中提到的1 -1，你可以自己随意定，比如-10，0，15。当然，如果是回归，这是目标值，就要实事求是了。 Value：就是要训练的数据，从分类的角度来说就是特征值，数据之间用空格隔开; 比如: -15 1:0.708 2:1056 3:-0.3333 需要注意的是，如果特征值为0，特征冒号前面的(姑且称做序号)可以不连续。 如： -15 1:0.708 3:-0.3333 表明第2个特征值为0，从编程的角度来说，这样做可以减少内存的使用，并提高做矩阵内积时的运算速度。我们平时在matlab中产生的数据都是没有序号的常规矩阵，所以为了方便最好编一个程序进行转化。 2. svmscale的用法 svmscale是用来对原始样本进行缩放的，范围可以自己定，一般是[0,1]或[-1,1]。 缩放的目的主要是: 1）防止某个特征过大或过小，从而在训练中起的作用不平衡； 2）为了计算速度。因为在核计算中，会用到内积运算或exp运算，不平衡的数据可能造成计算困难。 用法： svmscale [-l lower] [-u upper][-y y_lower y_upper] [-s save_filename] [-r restore_filename] filename 其中，[]中都是可选项： -l：设定数据下限；lower：设定的数据下限值，缺省为-1 -u：设定数据上限；upper：设定的数据上限值，缺省为 1 -y：是否对目标值同时进行缩放；y_lower为下限值，y_upper为上限值； -s save_filename：表示将缩放的规则保存为文件save_filename； -r restore_filename：表示将按照已经存在的规则文件restore_filename进行缩放； filename：待缩放的数据文件，文件格式按照libsvm格式。 默认情况下，只需要输入要缩放的文件名就可以了：比如(已经存在的文件为test.txt) svmscale test.txt 这时，test.txt中的数据已经变成[-1,1]之间的数据了。但是，这样原来的数据就被覆盖了，为了让规划好的数据另存为其他的文件，我们用一个dos的重定向符 > 来另存为(假设为out.txt)： svmscale test.txt > out.txt 运行后，我们就可以看到目录下多了一个out.txt文件，那就是规范后的数据。 假如，我们想设定数据范围[0,1]，并把规则保存为test.range文件: svmscale –l 0 –u 1 –s test.range test.txt > out.txt 这时，目录下又多了一个test.range文件，可以用记事本打开，下次就可以用-r test.range来载入了。 3. svmtrain的用法 svmtrain我们在前面已经接触过，他主要实现对训练数据集的训练，并可以获得SVM模型。 用法： svmtrain [options] training_set_file [model_file] 其中，options为操作参数，可用的选项即表示的涵义如下所示: -s 设置svm类型： 0 – C-SVC 1 – v-SVC 2 – one-class-SVM 3 – ε-SVR 4 – n - SVR -t 设置核函数类型，默认值为2 0 -- 线性核：u'*v 1 -- 多项式核： (g*u'*v+ coef 0)degree 2 -- RBF 核：exp(-γ*||u-v||2) 3 -- sigmoid 核：tanh(γ*u'*v+ coef 0) -d degree: 设置多项式核中degree的值，默认为3 -gγ: 设置核函数中γ的值，默认为1/k，k为特征（或者说是属性）数； -r coef 0:设置核函数中的coef 0，默认值为0； -c cost：设置C-SVC、ε-SVR、n - SVR中从惩罚系数C，默认值为1； -n v ：设置v-SVC、one-class-SVM 与n - SVR 中参数n ，默认值0.5； -p ε ：设置v-SVR的损失函数中的e ，默认值为0.1； -m cachesize：设置cache内存大小，以MB为单位，默认值为40； -e ε ：设置终止准则中的可容忍偏差，默认值为0.001； -h shrinking：是否使用启发式，可选值为0 或1，默认值为1； -b 概率估计：是否计算SVC或SVR的概率估计，可选值0 或1，默认0； -wi weight：对各类样本的惩罚系数C加权，默认值为1； -v n：n折交叉验证模式； model_file：可选项，为要保存的结果文件，称为模型文件，以便在预测时使用。 默认情况下，只需要给函数提供一个样本文件名就可以了，但为了能保存结果，还是要提供一个结果文件名，比如:test.model,则命令为： svmtrain test.txt test.model 结果说明见LibSVM学习（二）。 4. svmpredict 的用法 svmpredict 是根据训练获得的模型，对数据集合进行预测。 用法：svmpredict [options] test_file model_file output_file 其中，options为操作参数，可用的选项即表示的涵义如下所示: -b probability_estimates——是否需要进行概率估计预测，可选值为0 或者1，默认值为0。 model_file ——是由svmtrain 产生的模型文件； test_file—— 是要进行预测的数据文件，格式也要符合libsvm格式，即使不知道label的值，也要任意填一个，svmpredict会在output_file中给出正确的label结果，如果知道label的值，就会输出正确率； output_file ——是svmpredict 的输出文件，表示预测的结果值。 至此，主要的几个接口已经讲完了，满足一般的应用不成问题。对于要做研究的，还需要深入到svm.cpp文件内部，看看都做了什么。 逐步深入LibSVM 其实，在之前上海交大模式分析与机器智能实验室对2.6版本的svm.cpp做了部分注解，（在哪里？google一下你就知道）。但是，这个注释只是针对代码而注释，整篇看下来，你会发现除了理解几个参数的含义，还是会对libsvm一头雾水。当然作为理解程序的辅助材料，还是有很大用处的。特别是，对几个结构体的说明，比较清楚。但是要清楚程序具体做了什么，还是要追踪程序中去。 由于svm涉及的数学知识比较多，我们这篇只是讲一些基本的思路，所以就从最基本的C-SVC型svm，核函数采用常用的RBF函数。LibSVM就采用2.6版本的好了，因为后续的版本作者又加了很多内容，不易理解作者最初的思路。我是做模式识别，主要从分类的角度来解析函数的调用过程，我们从svmtrain.c看起，其调用的函数过程如下： 上图是整个C-SVC的计算过程，下面对一些重要的内容进行具体说明: 1. svm_group_class 在2.6版中没有此函数的，其功能直接在svm_train实现，为了增强可读性，2.版 中设置了这个函数，其实所作的工作都是一样的。需要说明的是其重新排列后perm中只存储的是各个样本在原始位置的序号，而非数据。这样做的好处有两个： 1）不必破坏原始数据（也就是读进来的x的数据）； 2）检索起来方便，只需要L维的数据检索，得到序号后，然后定位到原始数据中相应的位置就可以。 perm是中各类的排列顺序是按照原始样本中各类出现的先后顺序排列的，不一定是按照你原始样本的label序号排列，假如原始样本的label是{-1，0，1}，而最先出现的label为1的样本，那么perm中就把label为1的作为类0最先排列。而start中记录的是各类的起始序号，而这个序号是在perm中的序号。 2. 多类判别的one-against-one svm做判别是用的分界线(面)，两类之间只有一个分界线(面)，因此分类器也只有1种，要么是1类要么是2类。但是对于多类，分类方式就有多种。目前，存在的方法主要有： 1）1-V-R方式 对于k类问题，把其中某一类的n个训练样本视为一类，所有其他类别归为另一类，因此共有k个分类器。最后预测时，判别式使用竞争方式，也就是哪个类得票多就属于那个类。 2）1-V-1方式 也就是我们所说的one-against-one方式。这种方法把其中的任意两类构造一个分类器，共有(k-1)×k/2个分类器。最后预测也采用竞争方式。 3）有向无环图（DAG-SVM） 该方法在训练阶段采用1-V-1方式，而判别阶段采用一种两向有向无环图的方式。 LibSVM采用的是1-V-1方式，因为这种方式思路简单，并且许多实践证实效果比1-V-R方式要好。 上图是一个5类1-V-1组合的示意图，红色是0类和其他类的组合，紫色是1类和剩余类的组合，绿色是2类与右端两类的组合，蓝色只有3和4的组合。因此，对于nr_class个类的组合方式为： for(i = 0; i < nr_class; i ++) { for(j = i+1; i < nr_class; j ++) { 类 i –V – 类 j } } 3. hessian矩阵的内存处理 因为svm是基于结构风险最小的，因此在分类识别方式具有较传统的基于经验风险最小的方式有优势。但是svm也有一个致命的缺陷，因为要计算hessian矩阵Qij所耗的内存巨大，不利于实践中应用。目前，怎么减小内存的使用依旧是SVM的研究的课题。LibSVM对hessian矩阵处理的策略是定义了一个内存处理类Cache类，预先认为分配一定的内存，存储计算好的Qij，其序号的检索采用双向链表的方式，加快了检索速度。其最重要的函数为： int Cache::get_data(const int index, Qfloat **data, int len) //len 是 data 的长度，data为返回的内存首地址，index为Qij的行。 每次都要查找链表中行为index的Qi，假如已经计算过了，就返回计算过的内存地址， 并把储存首地址的链表节点插入到链表尾部。假如没计算过，就分配内存并进行计算，当剩余的内存不够时，就要回收链表头指向的内存。这里，可能有人会问，难道以前计算的就没有用了吗？？其实，是因为Qij是稀疏矩阵，在训练过程中只要其对应的alpha[i]不再变动（这时alpha[i]=0或者alpha[i]=C），其对应的Qi就不会被选到来训练，因此原来计算的Qi就没有用了。其实，链表的顺序代表了别选到的频率，最头部的是最不可能被选到，因为这时alpha[i]=0或者alpha[i]=C，而最尾部的最容易被选到。 4. 本节剩余部分省略… 详情参见：逐步深入LibSVM 分界线的输出 对于学习SVM人来说，要判断SVM效果，以图形的方式输出的分解线是最直观的。LibSVM自带了一个可视化的程序svm-toy，用来输出类之间的分界线。他是先把样本文件载入，然后进行训练，通过对每个像素点的坐标进行判断，看属于哪一类，就附上那类的颜色，从而使类与类之间形成分割线。我们这一节不讨论svm-toy怎么使用，因为这个是“傻瓜”式的，没什么好讨论的。这一节我们主要探讨怎么结合训练结果文件，自己编程输出分界线。 为什么说是分界线呢，其实严格说来是分解超平面，但是我们为了能直观用绘图工具绘(比如matlab)出图来只能输出具有二维（也就是特征数是2）的样本分界，因此也就成了线了。好了，闲话少说，进入正题。要绘分界线，就要用到训练结果，我们在第二节和第三节都讨论了，训练结果（或训练模型）文件怎么输出，但是，没怎么详细说明怎么使用训练结果，现在具体说明。下面是两个模型文件： 图5.1 两类模型文件 图5.2 三类模型文件 从图5.1和5.2比较可以看出，两类只存在一个分类器，因此每个支持向量对应的系数α(也就是SV的第一排)，也只有 1个（当然，截距rho也只有一个）。这种情况最简单，只要把相应的支持向量和α的值带入方程： (5.1) 找到为0的解，就是分界点了。（式中，有些文献是+b，libSVM采用的是-b） 对于三类或多类时，情况就比较复杂。我们原来讨论过，对于类数k>2的情况，分类器个数为k×(k-1)/2个，那么对应的b值（也就是rho）应该也是k×(k-1)/2个。那么每个支持向量对应的系数α是多少呢？是k-1个，因为每个支持向量（sv）与其他每个类都有一个系数相对应。当然，和有的类对应时可能不是标准支持向量(0 这里需要重点说明的是：文件输出的不是单纯的α，实际上是αiyi（这里的yi是在训练时的+1或-1，而不是原始样本的label），因此在带入5.1式时，不需要判断yi的值了。 了解了数据结构以后，就是求解方程。5.1式是个多元方程（这和x的维数有关，这里讨论的是2维的，因此是二元方程），而只有一个等式，因此要对其中一个参数做定常处理。先求出其中一个参数的范围，不妨设为x[0]（在绘图时相当于x坐标轴）x_max和x_min，然后分成100等分，对每一个节点处 x[0]i = i×(x_max- x_min)/100+ x_min 这样，x[0]就相当于固定了，然后代入5.1式求x[1]（也就是y）。这就转化成了一元方程，可以采用传统的数学解法，这里，我采用的是网络遍历法。也就是对x[1]也分成100分进行遍历，把节点处的x[1]： x[1]j = j×(y_max- y_min)/100+ y_min 代入5.1式，看是否接近于0，如果接近0，说明此点是边界点，然后输出坐标就可以了。 for(i = 0; i < 100; i ++) { for(j = 0; j < 100; j ++) { X[0] = x[0]i; X[1] = x[1]j; if( ) cout << X[0] << “ “ << X[1] < } 分界点坐标输出以后，就可以用matlab把分界线绘制出来了。 easy.py和grid.py的使用 我们在“LibSVM学习（一）”中，讲到libSVM有一个tools文件夹，里面包含有四个python文件，是用来对参数优选的。其中，常用到的是easy.py和grid.py两个文件。其实，网上也有相应的说明，但很不系统，下面结合本人的经验，对使用方法做个说明。 这两个文件都要用python（可以在http://www.python.org上下载到，需要安装）和绘图工具gnuplot（可以在ftp://ftp.gnuplot.info/pub/gnuplot/上下载，不需要安装）。假设python安装在d:\\libsvm\ools\\python26下，而gnuplot解压到d:\\libsvm\ools\\gnuplot，libsvm放在了d:\\libsvm\\program中（这时easy.py和grid.py文件的目录为d:\\libsvm\\program\ools）。另外，需要注意的是版本，我的是python 2.6、gnuplot 4.2 和libsvm 2.，操作系统是WINXP。 1. grid.py使用方法 文件grid.py是对C-SVC的参数c和γ做优选的，原理也是网格遍历，假设我们要对目录d:\\libsvm\\program\ools下的样本文件heart_scale做优选，其具体用法为： 第一步：打开d:\\libsvm\\program下的tools文件夹，找到grid.py文件。用python打开（不能双击，而要右键选择“Edit with IDLE”），修改svmtrain_exe和gnuplot_exe的路径。 svmtrain_exe = r\"D:\\libSVM\\program\\svm-train.exe\" gnuplot_exe = r\"D:\\libSVM\\gnuplot\\pgnuplot.exe\" （这里面有一个是对非win32的，可以不用改，只改# example for windows下的就可以了） 第二步：运行cmd，进入dos环境，定位到d:\\libsvm\\program\ools文件夹，这里是放置grid.py的地方。怎么定位可以参看第一节。 第三步：输入以下命令： d:\\libsvm\\python26\\python grid.py heart_scale 你就会看到dos窗口中飞速乱串的[local]数据，以及一个gnuplot的动态绘图窗口。大约过10秒钟，就会停止。Dos窗口中的[local]数据时局部最优值，这个不用管，直接看最后一行： 2048.0 0.0001220703125 84.0741 其意义表示：C = 2048.0；γ=0.0001220703125（γ是哪个参数？参看LibSVM学习（三）中svmtrain的参数说明）；交叉验证精度CV Rate = 84.0741%，这就是最优结果。 第四步：打开目录d:\\libsvm\\program\ools，我们可以看到新生成了两个文件：heart_scale.out和heart_scale.png，第一个文件就是搜索过程中的[local]和最优数据，第二文件就是gnuplot图像。 现在，grid.py已经运行完了，你可以把最优参数输入到svmtrain中进行训练了。当然了，你在当中某一步很可能出现问题，不过不要紧，我也不是一下子成功的，摸索了半天才成功。下面就需要注意的问题说明一下： 1）grid.py和svm-train的版本要统一，也就是说你不能用2.6的grid.py去调用2.的svm-train。 2）你的目录中如果有空格，比如d:\\program files\\ libsvm\\...，那么无论是在第一步还是第二步，请把目录改成d:\\progra~1\\ libsvm\\... 3) 第三步的命令问题。首先要看你定位到哪个目录，那么其下的文件就不需要带路径，否则就要带。像我们上面的命令，我当前的目录是d:\\libsvm\\program\ools，那么其下的easy.py和heart_scale文件就不需要加路径，而python.exe是在d:\\libsvm\\python26\\下，因此不在当前目录下，所以要加路径。比如，当我首先用dos定位到d:\\libsvm\\python26时，其命令就可以改成： python d:\\libsvm\\program\ools\\grid.py d:\\libsvm\\program\ools\\heart_scale 总起来说，命令为python 目标文件 样本文件，其原则是要让系统找得到文件。假如系统提示你“不是内部或外部命令”，说明你python的路径错误，而如果是‘not found file’的提示，很可能是其他两个文件路径错误。 4）假如，你仍旧出现问题，那么请换一下python或者gnuplot的版本，目前python最新版本是3.1，但是好像会出问题，老一点的版本2.4或2.5的兼容性会更好。 2. easy.py使用方法 文件easy.py对样本文件做了“一条龙服务”，从参数优选，到文件预测。因此，其对 grid.py、svm-train、svm-scale和svm-predict都进行了调用（当然还有必须的python和gnuplot）。因此，运行easy.py需要保证这些文件的路径都要正确。当然还需要样本文件和预测文件，这里样本文件还是用heart_scale，预测文件我们复制一份然后改名heart_test，下面说一下使用方法： 第一步：打开easy.py，修改# example for windows下的几个路径： 第二步：运行cmd，进入dos环境，定位到放置easy.py的目录d:\\libsvm\\program\ools。 第三步：输入命令： d:\\libsvm\\python26\\python easy.py heart_scale heat_test 你就会看到一个gnuplot的动态绘图窗口。大约20s以后停止，dos窗口显示为： Scaling training data... Cross validation... Best c=2048.0, g=0.0001220703125 CV rate=84.0741 Training... Output model: heart_scale.model Scaling testing data... Testing... Accuracy = 85.1852% (230/270) (classification) Output prediction: heart_test.predict 这就是最终预测结果，可以看到第三行就是调用grid.py的结果。在d:\\libsvm\\program\ools下你会看到又多了7个文件，都是以前我们碰到的过程文件，都可以用记事本打开。 3. 常见的问题解析： 1） Scaling training data... Cross validation... Traceback (most recent call last): File \"easy.py\ c,g,rate = map(float,last_line.split()) ValueError: need more than 0 values to unpack [解析] 说明你的grid.py运行出现错误，你可以参照第一部分“grid.py使用方法”运行一下就会发现问题。另外，有的说是相对路径的问题，建议找到easy.py的以下部分： cmd = \"%s -svmtrain %s -gnuplot %s %s\" % (grid_py, svmtrain_exe, gnuplot_exe, scaled_file) 改成 cmd = \"%s %s -svmtrain %s -gnuplot %s %s\" % (python_path, grid_py, svmtrain_exe, gnuplot_exe, scaled_file) 2） Traceback (most recent call last) File \"grid.py\ main() File \"grid.py\ redraw(db) File \"grid.py\ gnuplot.write(\"set term windows\\n\") IOError [Errno 22] Invalid argument [解析] 说明你的gnuplot.exe在调用过程中出现问题，要么是你的路径不对，要么是你的版本不对，请检查。 3） Traceback (most recent call last): File \"C:\\Python24\\lib\hreading.py\ self.run() File \"c:\\libsvm\ools\\gridregression.py\ self.job_queue.put((cexp,gexp,pexp)) File \"C:\\Python24\\lib\\Queue.py\ self._put(item) File \"c:\\libsvm\ools\\gridregression.py\ self.queue.insert(0,item) AttributeError: 'collections.deque' object has no attribute 'insert [解析] 很显然，你调用的是gridregression.py，其是用来做回归用的。如果你调用easy.py也出现这种问题按照原作者的说法，这里是因为你的python调用出现错误，很可能是版本不对，如果是2.4的版本，请把easy.py中的 self.queue.insert(0,item) 改成 if sys.hexversion >= 0x020400A1: self.queue.appendleft(item) else self.queue.insert(0,item) 参考 http://blog.csdn.net/flydreamGG/archive/2009/08/20/4466023.aspx http://blog.csdn.net/flydreamGG/archive/2009/08/20/4466059.aspx http://blog.csdn.net/flydreamGG/archive/2009/08/21/44695.aspx http://blog.csdn.net/flydreamGG/archive/2009/08/21/4470121.aspx http://blog.csdn.net/flydreamGG/archive/2009/08/21/4469617.aspx http://blog.csdn.net/flydreamGG/archive/2009/08/21/4470477.aspx
因篇幅问题不能全部显示，请点此查看更多更全内容
Copyright © 2019- baijiahaobaidu.com 版权所有 湘ICP备2023023988号-9
违法及侵权请联系：TEL:199 18 7713 E-MAIL:2724546146@qq.com
本站由北京市万商天勤律师事务所王兴未律师提供法律服务