記錄在學習ML過程中，在MATLAB中集成LibSVM時遇到的問題

 前幾天寫了一下自己對SVM中關鍵的距離問題的理解，后面會繼續記錄自己對該模型其他問題的理解，今天想試試SVM在“西瓜書”那個“阿爾法3.0”數據集上的效果。于是查到了“灣灣”教授林智仁先生大牛等寫的一個開源包LibSVM，并且該library可以與很多平臺兼容，有很多語言版本，支持java 、C++、C 、MATLAB等，我們可以在林教授主頁上下載。LibSVM地址：http://www.csie.ntu.edu.tw/~cjlin/libsvm/，Windows平臺下載Zip壓縮文件，Linux下則是tar.gz，新版的包為3.x。本人MATLAB開發平臺的版本號為Windows下的R2016a，因此，記錄R2016a集成該開源包的過程。

  首先，我搜到了faruto大佬在matlabsky發的一個關于該問題的帖子，于是就按照該帖子的敘述進行相關的操作，不過踩到了好幾個坑，因為這個帖子是好久之前的，版本比較靠前，所以會有些細節上的不同，不過大致還是可以參考的。而且也有視頻的講解可以參考。

原貼地址：http://www.matlabsky.com/thread-11925-1-1.html

優酷視頻：http://v.youku.com/v_showMini/id_XMjc2NTY3MzYw_ft_131.html

   Step1：添加LibSVM的搜索目錄（路徑）

  點擊主頁選項卡下的“設置路徑”按鈕---->點擊“添加并包含子文件夾”---->點擊“libsvm-3.22”文件夾，選擇所在的目錄 ---->保存&關閉

  Step2：安裝C++編譯器

  帖子中先是運行mex -setup，按照提示進行選擇，但是我在安裝了VC6.0的前后，運行該命令都會報錯：“未安裝編譯器或者SDK”，也就是安裝了VC也找不到，我猜測可能是VC太舊。所以換了GCC， 由于開發包是C++開發的，所以需要相關的編譯器進行編譯后，MATLAB才能夠調用。由于新版本的MATLAB支持MinGW（GCC）編譯器，而且相對比較小巧，故我選擇了安裝該編譯器（也可以安裝VS201X），安裝路徑最好是“X:\TDM-GCC-64”這種形式，“X”是盤符下載地址：http://tdm-gcc.tdragon.net/download，或者下載網盤數據,鏈接：http://pan.baidu.com/s/1cMwao2 密碼：xh9u 。安裝完成后再運行命令“mex -setup”，依然提示錯誤，該問題可能是GCC的path設置有問題，選擇調用setenv('MW_MINGW64_LOC',folder)函數進行設置，其中folder為GCC的路徑，例如：setenv('MW_MINGW64_LOC','D:\TDM-GCC-64') ；運行該命令后再mex -setup ，OK，可以！

  Step3：make.m編譯相關的C++文件（主要是train和predict源文件）

  緊隨Step2，選擇當前目錄為Libsvm，然后運行make腳本（當前目錄設置為Libsvm是防止MATLAB中有與make同名的腳本），本以為已經成功集成，誰料依然出錯“No such file or directory......”,實在是有一種fuck dog的感覺，繼續填坑，查閱其他博客，幸好有人遇到過同樣的問題，make腳本文件中將配置MATLAB對應的代碼行進行修改，具體將“CFLAGS”修改為“COMPFLAGS”可以用ctr+F然后點擊全部替換可以更快。完成以上操作之后，再運行make腳本函數，成功運行，在當前文件夾（../Libsvm/matlab）中，會發現多了兩個train和predict的.obj文件這是編譯之后的結果，表示成功。

  Step4：測試libsvm環境

  在libsvm2.x中，是有heart_scale.mat數據文件但是最新的libsvm3.x只有heart_scale純文本文件，這是C++數據數據文件的格式，如果按照faruto視頻中的操作，鍵入“load heart_scale”命令，會發現，結果出錯，這是由于缺少對應的MATLAB的數據格式的文件，因此需要用libsvmread命令進行讀入，該命令其實是運行一個lib中的libsvmread.c的C文件，用于對數據的轉換，其調用格式為libsvmread（‘filename’） ;例如[label_vector, instance_matrix] = libsvmread('heart_scale');此處用的當前路徑，不知道可不可以用絕對路徑，可以試試，應該是可以的。數據經過轉換后，可以發現，多了兩個數據，label_vector和instance，分別是樣本標簽和屬性，有了數據，下面就對環境進行正式測試。調用model = svmtrain(label_vector, instance_matrix) ;生成訓練模型后在調用svmpredict(label_vector, instance_matrix, model, 'q')，得到結果。我用周教授《機器學習》上的西瓜數據集α3.0進行環境測試，得到結果如圖所示：

  雖然結果很差，但是環境是搭建好了的，測試成功，因為我并沒有分訓練集和測試集，而且數據只有18條左右，所以這結果沒啥意義，我就只是單純測試環境是否搭建好，僅此而已。