Beschreibung
LIBSVM ist eine umfassende und einfach zu bedienende Softwarebibliothek für Support Vector Machines (SVM). Sie bietet Implementierungen für Klassifikation (C-SVC, nu-SVC), Regression (epsilon-SVR, nu-SVR) und Schätzung von Verteilungen (One-Class SVM). Die Bibliothek ist darauf ausgelegt, für Benutzer aus verschiedenen Bereichen zugänglich zu sein, die SVM als leistungsfähiges Werkzeug nutzen möchten.
Zu den Hauptmerkmalen von LIBSVM gehören effiziente Multi-Klassen-Klassifikationsfähigkeiten und Unterstützung für verschiedene SVM-Formulierungen. Sie bietet eine Reihe von Kernel-Funktionen, darunter linear, polynomial, Radial Basis Function (RBF) und Sigmoid, mit Optionen für vorab berechnete Kernel-Matrizen. Zur Handhabung unausgeglichener Datensätze unterstützt LIBSVM gewichtete SVM. Die Bibliothek bietet auch Kreuzvalidierung zur Modellauswahl und Wahrscheinlichkeitsschätzungen für Klassifikations- und Regressionsaufgaben.
LIBSVM ist mit einer einfachen Schnittstelle konzipiert, die es Benutzern ermöglicht, sie leicht in ihre eigenen Programme zu integrieren. Sie ist mit C++- und Java-Quellcode verfügbar und enthält Schnittstellen für zahlreiche Programmiersprachen und Umgebungen wie Python, R, MATLAB, Perl, Ruby, Weka, Common LISP, CLISP, Haskell, OCaml, LabVIEW und PHP. Zusätzlich sind C# .NET-Code und CUDA-Erweiterungen verfügbar, und sie ist in Data-Mining-Umgebungen wie RapidMiner und PCP integriert.
Das Paket enthält Werkzeuge für die Datenskalierung und automatische Modellauswahl, wie das Skript `grid.py`, das Konturdiagramme der Kreuzvalidierungsgenauigkeit erstellt und bei der Parameteroptimierung hilft. Das Projekt hat eine Geschichte erfolgreicher Anwendungen, wobei seine Entwickler mehrere Herausforderungen gewonnen haben, darunter die IJCNN 2001 Challenge und die WCCI 2008 Causation and Prediction Challenge. Die neueste Version, 3.37, wurde im Dezember 2025 veröffentlicht, mit laufenden Updates und Fehlerbehebungen.
LIBSVM zielt darauf ab, die Nutzung von SVM durch die Bereitstellung einer robusten, effizienten und gut dokumentierten Bibliothek zu demokratisieren. Ihre umfangreiche Sprachunterstützung und Integrationsmöglichkeiten machen sie zu einer vielseitigen Wahl für Forscher und Entwickler, die an Machine-Learning-Aufgaben arbeiten. Das Projekt unterhält auch eine Seite für LIBSVM-Datensätze und bietet praktische Anleitungen für Anfänger.
LIBSVM's Kernfunktionen
Unterstützt C-SVC, nu-SVC, One-Class SVM, epsilon-SVR und nu-SVR
Effiziente Multi-Klassen-Klassifikation
Verschiedene Kernel-Funktionen: linear, polynomial, RBF, Sigmoid
Gewichtete SVM für unausgeglichene Daten
Kreuzvalidierung zur Modellauswahl
Wahrscheinlichkeitsschätzungen
Enthält Werkzeuge zur Datenskalierung
Automatische Modellauswahl mit Parameteroptimierung
C++ und Java Quellcode verfügbar
Schnittstellen für Python, R, MATLAB, Perl, Ruby, Weka, LISP, Haskell, OCaml, LabVIEW, PHP, C#, CUDA, Node.js, Javascript, Scilab, Nimrod, Julia, Android, GO, Gretl
Integriert in Data-Mining-Umgebungen wie RapidMiner
Installierbar über Paketmanager wie pip und vcpkg
Erste Schritte mit LIBSVM
LIBSVM herunterladen: Holen Sie sich die neueste Version von der offiziellen Website oder dem GitHub-Repository.
Schnittstelle installieren: Installieren Sie die entsprechende Sprachschnittstelle (z. B. `pip install -U libsvm-official` für Python).
Daten vorbereiten: Formatieren Sie Ihre Trainings- und Testdaten, möglicherweise unter Verwendung der bereitgestellten Skalierungswerkzeuge.
Parameter konfigurieren: Wählen Sie SVM-Typ, Kernel und andere Parameter über Kommandozeilenoptionen oder API-Aufrufe aus.
Modell trainieren: Verwenden Sie die LIBSVM-Bibliothek oder das Kommandozeilenwerkzeug, um Ihr SVM-Modell zu trainieren.
Modell evaluieren: Führen Sie eine Kreuzvalidierung durch oder verwenden Sie Wahrscheinlichkeitsschätzungen, um die Modellleistung zu bewerten.
Integrieren: Verknüpfen Sie LIBSVM mit Ihren eigenen Programmen oder Data-Mining-Workflows.
LIBSVM's Anwendungsfälle
- Klassifikationsaufgaben
- Regressionsanalyse
- Schätzung von Verteilungen
- Parameteroptimierung
- Data Mining
- Machine Learning Forschung
- Lastvorhersage
- Merkmalsauswahl
