关于小改libsvm的功能，方便一键网格、输出各项指标、matlab接口修改等

xingpengwei

        为了方便使用对libsvm包进行了小改，过程如下：
        之前见guojiasheng学长改了libsvm,输出F1等指标，我check了一下：

1. svm_cross_validation(&prob,&param,nr_fold,target);
   
2.           //F1 准确率和召回率的调和均值 :这里只能支持二分类，并且正类为的lable应该转为1 负类为-1
   
3.         int tp = 0 ,fp = 0, fn = 0 , tn = 0;
   
4.         for(i=0;i<prob.l;i++){
   
5.                 if(prob.y[i] == 1 && target[i] == 1) tp++;    //正类判定为正类
   
6.                 if(prob.y[i] == 1 && target[i] < 1) fn++;    //正类判定为负类
   
7.                 if(prob.y[i] < 1 && target[i] == 1) fp++;          //负类判定为正类
   
8.                 if(prob.y[i] < 1 && target[i] < 1) tn++;          //负类判定为负类
   
9.         }
   
10.    //precision  tp/(tp+fp)
    
11.         double precision = 1.0*tp/(tp+fp);
    
12.    //recall  tp/(tp+fn)
    
13.         double recall = 1.0*tp/(tp+fn);
    
14.    //F1
    
15.         double F1 = (2.0*tp)/(2.0*tp+fp+fn);
    
16. 
    
17.         printf("Cross Validation precision = %g%%\n",100.0*precision);
    
18.         printf("Cross Validation recall = %g%%\n",100.0*recall);
    
19.     printf("Cross Validation F1 = %g%%\n",100.0*F1);

复制代码

        值得注意的是根据学长的代码输入的二分类label应该为+1和-1，如果你用weka的arff转的libsvm文件的话，label一般为0和1（0正1负）这样根据代码的计算tp、fn、fp、tn的顺序是会正好相反的，所以使用前请保证label为1和-1表示正负类，这点新生值得注意。
       
        后来我又改了tool里的easy.py,另见了一个文件myeasy_F1.py,主要的功能是使用F1作为优化结果的标准，因为之前有发现效果会变好一点。
还改了输出，增加了一些有需求的输出，具体叫以下输出例子

1. ./grid_F1.py -v 10 -svmtrain "../svm-train" "mix_npps.libsvm"
   
2. Best c=512.0, g=0.001953125 CV F1=80.2937
   
3. ../svm-train -c 512.0 -g 0.001953125 -v 10 "mix_npps.libsvm" "mix_npps.libsvm.model"
   
4. Training...
   
5. precision,recall,F1,Accuracy=81.1085,79.495,80.2937,80.4897
   
6. 2614
   
7. Sn,Sp,Acc,MCC = 0.794950267789,0.814843152257,0.804896710023,0.609914111683
   
8. Output model: mix_npps.libsvm.model

复制代码

        输出了你运行的命令，做好的参数，最好的F1，precision,recall,F1,Accuracy，和总样例个数，Sn,Sp,Acc,MCC和模型

        后来，因为想在matlab里直接使用libsvm的十折验证，不至于每次都在转到libsvm包文件夹里去使用，并把混淆矩阵输了出来，做了如下优化：
        我修改了matlab文件夹下的svmtrain的c文件：
        在int * do_cross_validation()函数中添加了tp,fn,fp,tn的计算（参考了guojiasheng学长的思路）：

1. int tp = 0 ,fp = 0, fn = 0 , tn = 0;
   
2.         for(i=0;i<prob.l;i++){
   
3.                 if(prob.y[i] == 1 && target[i] == 1) tp++;    //正类判定为正类
   
4.                 if(prob.y[i] == 1 && target[i] < 1) fn++;    //正类判定为负类
   
5.                 if(prob.y[i] < 1 && target[i] == 1) fp++;          //负类判定为正类
   
6.                 if(prob.y[i] < 1 && target[i] < 1) tn++;          //负类判定为负类
   
7.         }
   
8.    
   
9.     printf("%d %d %d %d\n",tp,fn,fp,tn);
   
10.     int confu[4] = {tp,fn, fp, tn};

复制代码

        又修改了对外输出的接口:

1. if(cross_validation)
   
2.                 {
   
3.             int *ptr;
   
4.             plhs[0] = mxCreateNumericMatrix(1, 4, mxINT32_CLASS, mxREAL);
   
5.             ptr = (int *)mxGetData(plhs[0]);
   
6.             
   
7. //                         double *ptr;
   
8. //                         plhs[0] = mxCreateDoubleMatrix(1, 4, mxREAL);
   
9. //                         ptr = mxGetPr(plhs[0]);
   
10.                         ptr[0] = do_cross_validation()[0];
    
11.             ptr[1] = do_cross_validation()[1];
    
12.             ptr[2] = do_cross_validation()[2];
    
13.             ptr[3] = do_cross_validation()[3];
    
14.                 }

复制代码

        使用方法：

1. confu=svmtrain(label,feat,'-v 10');
   
2. confu=double(confu);
   
3. TP=confu(1);
   
4. FN=confu(2);
   
5. FP=confu(3);
   
6. TN=confu(4);
   
7.                         
   
8. Sn=TP/(TP+FN);
   
9. Sp=TN/(TN+FP);
   
10. Acc=(TP+TN)/(TP+FN+FP+TN);
    
11. MCC=(TP*TN-FN*FP)/sqrt((TP+FP)*(TN+FN)*(TP+FN)*(TN+FP));

复制代码

       
        （和原来输入参数一样，只是输出由只输出一个准确率，变成输出混淆矩阵，后边的代码为如何利用混淆矩阵计算各项指标）

        注意：使用matlab2015b编译C，（就别装VS了{:254:} ）最好用4.9的mingw编译器。 在2015版本及以上可在add-ones上添加mingw，这样安装最方便。或者直接下载minggw.mlpkginstall,双击matlab自动关联打开，安装相应编译器。如果用matlab使用mingw编译c++文件的话，make.m文件是需要把make.m文件下的CFLAGS 替换成COMPFLAGS。
        编译好的文件的话，附件下载。

zouquan

赞啊，放到99服务器上，写好试用说明，最好傻瓜式的

xingpengwei

文件大于16m，无法上传附件，回头找个地方上传吧