Descrição
LIBSVM é uma biblioteca de software abrangente e fácil de usar, projetada para Máquinas de Vetores de Suporte (SVM). Ela fornece implementações para classificação (C-SVC, nu-SVC), regressão (epsilon-SVR, nu-SVR) e estimação de distribuição (SVM de uma classe). A biblioteca foi desenvolvida para ser acessível a usuários de diversos campos que desejam utilizar o SVM como uma ferramenta poderosa.
Ler mais
Os principais recursos do LIBSVM incluem capacidades eficientes de classificação multiclasse e suporte para várias formulações de SVM. Ele oferece uma gama de funções de kernel, incluindo linear, polinomial, função de base radial (RBF) e sigmoide, com opções para matrizes de kernel pré-computadas. Para lidar com conjuntos de dados desbalanceados, o LIBSVM suporta SVM ponderado. A biblioteca também fornece validação cruzada para seleção de modelo e estimativas de probabilidade para tarefas de classificação e regressão.
O LIBSVM foi projetado com uma interface simples, permitindo que os usuários o integrem facilmente em seus próprios programas. Ele está disponível com código-fonte em C++ e Java, e inclui interfaces para inúmeras linguagens de programação e ambientes como Python, R, MATLAB, Perl, Ruby, Weka, Common LISP, CLISP, Haskell, OCaml, LabVIEW e PHP. Adicionalmente, código C# .NET e extensões CUDA estão disponíveis, e ele é integrado em ambientes de mineração de dados como RapidMiner e PCP.
O pacote inclui ferramentas para escalonamento de dados e seleção automática de modelo, como o script `grid.py` que gera gráficos de contorno da precisão da validação cruzada, auxiliando na otimização de parâmetros. O projeto tem um histórico de aplicações bem-sucedidas, com seus desenvolvedores vencendo vários desafios, incluindo o Desafio IJCNN 2001 e o Desafio de Causação e Predição WCCI 2008. A versão mais recente, 3.37, foi lançada em dezembro de 2025, com atualizações contínuas e correções de bugs.
O LIBSVM visa democratizar o uso do SVM, fornecendo uma biblioteca robusta, eficiente e bem documentada. Seu amplo suporte a linguagens e capacidades de integração o tornam uma escolha versátil para pesquisadores e desenvolvedores que trabalham em tarefas de aprendizado de máquina. O projeto também mantém uma página para conjuntos de dados LIBSVM e oferece guias práticos para iniciantes.
- CategoriaPlataformas de machine learning
- Modelo de preçosCódigo aberto
- ImplantaçãoLocal, Integrado
- PlataformasWindows, macOS, Linux
Recursos principais de LIBSVM
Suporta C-SVC, nu-SVC, SVM de uma classe, epsilon-SVR e nu-SVR
Classificação multiclasse eficiente
Várias funções de kernel: linear, polinomial, RBF, sigmoide
SVM ponderado para dados desbalanceados
Validação cruzada para seleção de modelo
Estimativas de probabilidade
Inclui ferramentas de escalonamento de dados
Seleção automática de modelo com otimização de parâmetros
Código-fonte em C++ e Java disponível
Interfaces para Python, R, MATLAB, Perl, Ruby, Weka, LISP, Haskell, OCaml, LabVIEW, PHP, C#, CUDA, Node.js, Javascript, Scilab, Nimrod, Julia, Android, GO, Gretl
Integrado em ambientes de mineração de dados como RapidMiner
Instalável via gerenciadores de pacotes como pip e vcpkg
Primeiros passos com LIBSVM
Baixar LIBSVM: Obtenha a versão mais recente do site oficial ou do repositório GitHub.
Instalar Interface: Instale a interface de linguagem apropriada (por exemplo, `pip install -U libsvm-official` para Python).
Preparar Dados: Formate seus dados de treinamento e teste, potencialmente usando as ferramentas de escalonamento fornecidas.
Configurar Parâmetros: Selecione o tipo de SVM, kernel e outros parâmetros usando opções de linha de comando ou chamadas de API.
Treinar Modelo: Use a biblioteca LIBSVM ou a ferramenta de linha de comando para treinar seu modelo SVM.
Avaliar Modelo: Realize validação cruzada ou use estimativas de probabilidade para avaliar o desempenho do modelo.
Integrar: Vincule o LIBSVM em seus próprios programas ou fluxos de trabalho de mineração de dados.
Casos de uso de LIBSVM
- Tarefas de Classificação
- Análise de Regressão
- Estimação de Distribuição
- Otimização de Parâmetros
- Mineração de Dados
- Pesquisa em Aprendizado de Máquina
- Previsão de Carga
- Seleção de Features
