Deskripsi
LIBSVM adalah pustaka perangkat lunak yang komprehensif dan mudah digunakan yang dirancang untuk Support Vector Machines (SVM). Ia menyediakan implementasi untuk klasifikasi (C-SVC, nu-SVC), regresi (epsilon-SVR, nu-SVR), dan estimasi distribusi (SVM satu kelas). Pustaka ini direkayasa agar dapat diakses oleh pengguna dari berbagai bidang yang ingin memanfaatkan SVM sebagai alat yang ampuh.
Baca Selengkapnya
Fitur utama LIBSVM meliputi kemampuan klasifikasi multi-kelas yang efisien dan dukungan untuk berbagai formulasi SVM. Ia menawarkan berbagai fungsi kernel, termasuk linear, polinomial, radial basis function (RBF), dan sigmoid, dengan opsi untuk matriks kernel yang sudah dihitung sebelumnya. Untuk menangani dataset yang tidak seimbang, LIBSVM mendukung SVM berbobot. Pustaka ini juga menyediakan validasi silang untuk pemilihan model dan estimasi probabilitas untuk tugas klasifikasi dan regresi.
LIBSVM dirancang dengan antarmuka yang sederhana, memungkinkan pengguna untuk dengan mudah mengintegrasikannya ke dalam program mereka sendiri. Ia tersedia dengan kode sumber C++ dan Java, dan menyertakan antarmuka untuk banyak bahasa pemrograman dan lingkungan seperti Python, R, MATLAB, Perl, Ruby, Weka, Common LISP, CLISP, Haskell, OCaml, LabVIEW, dan PHP. Selain itu, kode C# .NET dan ekstensi CUDA tersedia, dan ia terintegrasi ke dalam lingkungan penambangan data seperti RapidMiner dan PCP.
Paket ini mencakup alat untuk penskalaan data dan pemilihan model otomatis, seperti skrip `grid.py` yang menghasilkan plot kontur akurasi validasi silang, membantu dalam optimasi parameter. Proyek ini memiliki sejarah aplikasi yang sukses, dengan pengembangnya memenangkan beberapa tantangan, termasuk IJCNN 2001 Challenge dan WCCI 2008 Causation and Prediction challenge. Versi terbaru, 3.37, dirilis pada Desember 2025, dengan pembaruan dan perbaikan bug yang berkelanjutan.
LIBSVM bertujuan untuk mendemokratisasi penggunaan SVM dengan menyediakan pustaka yang kuat, efisien, dan terdokumentasi dengan baik. Dukungan bahasanya yang luas dan kemampuan integrasinya menjadikannya pilihan yang serbaguna bagi para peneliti dan pengembang yang bekerja pada tugas-tugas pembelajaran mesin. Proyek ini juga memelihara halaman untuk dataset LIBSVM dan menawarkan panduan praktis untuk pemula.
- KategoriPlatform Machine Learning
- Model HargaOpen source
- PenerapanLokal, Terintegrasi
- PlatformWindows, macOS, Linux
Fitur Inti LIBSVM
Mendukung C-SVC, nu-SVC, SVM satu kelas, epsilon-SVR, dan nu-SVR
Klasifikasi multi-kelas yang efisien
Berbagai fungsi kernel: linear, polinomial, RBF, sigmoid
SVM berbobot untuk data tidak seimbang
Validasi silang untuk pemilihan model
Estimasi probabilitas
Termasuk alat penskalaan data
Pemilihan model otomatis dengan optimasi parameter
Kode sumber C++ dan Java tersedia
Antarmuka untuk Python, R, MATLAB, Perl, Ruby, Weka, LISP, Haskell, OCaml, LabVIEW, PHP, C#, CUDA, Node.js, Javascript, Scilab, Nimrod, Julia, Android, GO, Gretl
Terintegrasi ke dalam lingkungan penambangan data seperti RapidMiner
Dapat diinstal melalui manajer paket seperti pip dan vcpkg
Memulai dengan LIBSVM
Unduh LIBSVM: Dapatkan rilis terbaru dari situs web resmi atau repositori GitHub.
Instal Antarmuka: Instal antarmuka bahasa yang sesuai (misalnya, `pip install -U libsvm-official` untuk Python).
Siapkan Data: Format data pelatihan dan pengujian Anda, mungkin menggunakan alat penskalaan yang disediakan.
Konfigurasi Parameter: Pilih jenis SVM, kernel, dan parameter lain menggunakan opsi baris perintah atau panggilan API.
Latih Model: Gunakan pustaka LIBSVM atau alat baris perintah untuk melatih model SVM Anda.
Evaluasi Model: Lakukan validasi silang atau gunakan estimasi probabilitas untuk menilai kinerja model.
Integrasikan: Tautkan LIBSVM ke dalam program atau alur kerja penambangan data Anda sendiri.
Kasus Penggunaan LIBSVM
- Tugas Klasifikasi
- Analisis Regresi
- Estimasi Distribusi
- Optimasi Parameter
- Penambangan Data
- Penelitian Pembelajaran Mesin
- Prediksi Beban
- Seleksi Fitur
