LIBSVM,LIBLINEAR,SVM^(muticlass)比较研究

SVM是Vapnik等人在统计学习理论基础上针对线性分类器提出的一种最佳分类准则,被广泛应用于文本、图像、语音等多个领域的分类问题。LIBSVM、LIBLINEAR、SVMmulticlass是基于支持向量机(SVM)原理集成的两类或多类分类器工具包,这三种工具均实现了对数据的最优化分类,但彼此之间也有各自的特点。对于不同规模的数据集,即样本数与特征数比例不同的数据集的分类结果会存在差异。因此,本文从训练时间(Training Time),分类准确率(Precision)和采用的线性核函数(Kernel Function)这三个方面对各个工具包的分类性能进行详细分析,从而给出三种工具的各自的优缺点,以便为使用这三种工具的研究者们提供一些经验支持。实验结果表明,针对线性可分的数据,LIBLINEAR工具包具有训练时间短,分类准确率高的特点,非常适用于大规模数据的分类。