1.“INI”指什么？
2.GNU/LINUX环境编程内容简介
3.如何利用python使用libsvm

“INI”指什么？

       英语中的缩写词"INI"通常代表着"INItialization file"，即“初始化文件”。这个术语主要用于计算机领域，特别是在驱动程序设置中。INI文件是一种常见的配置文件类型，用于存储程序或系统的plsql 查看表源码初始设置，以便在启动时自动应用这些设置。

       在技术术语中，"INI"的中文拼音是"chū shǐ huà wén jiàn"，在英语中的流行度为，它被归类于Computing（计算机）领域，特别在驱动程序配置和系统管理中被广泛应用。例如，当在系统初始化文件中添加"sysctl-p"指令时，它有助于在每次系统重启后设置内核参数。此外，一些程序如gnuplot会在执行时读取和执行ini文件中的命令，用户也可能在项目目录中创建环境初始化文件，以源代码形式管理项目环境。shardingjdbc源码分析

       样式表在某些应用程序中也是通过ini文件定义的，如定义非交互式Bash Shell实例的启动设置。总的来说，"INI"是一个在技术环境中不可或缺的概念，代表着初始化配置过程中的重要文件类型。

       这些信息来源于网络，旨在帮助理解缩写词"INI"的含义和使用场景，但请读者在引用时自行判断其适用性和准确性。版权信息归原作者所有，谁有悬浮源码仅供学习和交流使用。

GNU/LINUX环境编程内容简介

       GNU/Linux，常被称为Linux，被誉为操作系统中的多面手，其应用范围广泛，从个人iPod设备到大型的IBM Blue Gene超级计算机，无所不在。它能够在各种体系结构上运行，包括古老的main函数源码x处理器到最新Play Station 3游戏机采用的cell处理器。

       本书专门针对那些希望在GNU/Linux操作系统上进行应用程序开发的读者，特别是Linux程序员。全面更新的第二版，包含了所有必需的工具和编程技术，通过丰富的实例，深入讲解GNU/Linux API的使用方法，让你能够掌握开发高效、安全应用的技能。

       书中内容涵盖GNU工具，hdfs 源码 语言如编译器GCC，构建工具make、automake/autoconf，源代码管理系统，以及GNU Debugger和Gnuplot等。从基础出发，介绍了库（动态和静态）、文件操作、管道、套接字编程和基础概念等。

       深入探讨了GNU/Linux的进程模型，包括线程处理和POSIX IPC机制，如消息队列、信号和共享内存的使用。此外，书中还涵盖了shell和脚本编程基础，从基本的Linux命令到高级语言如Bash、Ruby和Python，以及sed和AWK的文本处理，flex和bison的解析器技术。

       而对于调试和代码质量提升，本书提供了软件测试工具、覆盖率测试、GCov和GProf等工具，以及内存和性能调试技巧。全书分为五个部分，共章，涵盖了虚拟化技术在内的众多主题，吸引了众多程序员选择本书来提升他们的GNU/Linux编程能力。

       本书以通俗易懂的方式，系统地介绍了Linux编程基础，特别是关键工具的运用，为Linux开发者提供了宝贵的参考和实践指导。无论是初学者还是资深开发者，都能从中获益匪浅。

如何利用python使用libsvm

       ä¸€ï¼šlibsvm包下载与使用：

       LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进.

       æŠŠåŒ…解压在C盘之中，如：C:\libsvm-3.

       2.

       å› ä¸ºè¦ç”¨libsvm自带的脚本grid.py和easy.py,需要去官网下载绘图工具gnuplot,解压到c盘

       3.

       è¿›å…¥c:\libsvm\tools目录下，用文本编辑器（记事本，edit都可以）修改grid.py和easy.py两个文件，找到其中关于gnuplot路径的那项，根据实际路径进行修改，并保存

       4python与libsvm的连接（参考SVM学习笔记（2）LIBSVM在python下的使用 ）

       a.打开IDLE(python GUI)，输入

       >>>import sys

       >>>sys.version

       å¦‚果你的python是位，将出现如下字符：

       â€˜2.7.3 (default, Apr , ::) [MSC v. bit (Intel)]’

       è¿™ä¸ªæ—¶å€™LIBSVM的python接口设置将非常简单。在libsvm-3.文件夹下的windows文件夹中找到动态链接库libsvm.dll，将其添加到系统目录，如`C:\WINDOWS\system\’，即可在python中使用libsvm

       b.如果你是位的请参考文献，请参考上述连接。

       5.执行一个小例子

       import os

       os.chdir('C:\libsvm-3.\python')#请根据实际路径修改

       from svmutil import

       y, x = svm_read_problem('../heart_scale')#读取自带数据

       m = svm_train(y[:], x[:], '-c 4')

       p_label, p_acc, p_val = svm_predict(y[:], x[:], m)

       ##出现如下结果，应该是正确安装了

       optimization finished, #iter =

       nu = 0.

       obj = -., rho = 0.

       nSV = , nBSV =

       Total nSV =

       Accuracy = .% (/) (classification)

       äºŒå‡ ä¸ªç®€å•çš„例子

       ä»Žä¸‹è½½å®žéªŒæ•°æ®é›†ã€‚并且将数据集拷贝到C:\libsvm-3.\windows下（因为之后我们需要利用该文件夹下的其他文件，这样比较方便，当然之后你用绝对地址也可以了）

       å»ºç«‹ä¸€ä¸ªpy文件，写下如下代码：

       ä¾‹1：

       import os

       os.chdir('C:\libsvm-3.\windows')#设定路径

       from svmutil import

       y, x = svm_read_problem('train.1.txt')#读入训练数据

       yt, xt = svm_read_problem('test.1.txt')#训练测试数据

       m = svm_train(y, x )#训练

       svm_predict(yt,xt,m)#测试

       æ‰§è¡Œä¸Šè¿°ä»£ç ï¼Œç²¾åº¦ä¸ºï¼šAccuracy = .% (/) (classification)

       å¸¸ç”¨æŽ¥å£

       svm_train() : train an SVM model#训练

       svm_predict() : predict testing data#预测

       svm_read_problem() : read the data from a LIBSVM-format file.#读取libsvm格式的数据

       svm_load_model() : load a LIBSVM model.

       svm_save_model() : save model to a file.

       evaluations() : evaluate prediction results.

       - Function: svm_train#三种训练写法

       There are three ways to call svm_train()

       >>> model = svm_train(y, x [, 'training_options'])

       >>> model = svm_train(prob [, 'training_options'])

       >>> model = svm_train(prob, param)

       æœ‰å…³å‚数的设置（read me 文件夹中有详细说明）：

       Usage: svm-train [options] training_set_file [model_file]

       options:

       -s svm_type : set type of SVM (default 0)#选择哪一种svm

       0 -- C-SVC (multi-class classification)

       1 -- nu-SVC (multi-class classification)

       2 -- one-class SVM

       3 -- epsilon-SVR (regression)

       4 -- nu-SVR (regression)

       -t kernel_type : set type of kernel function (default 2)#是否用kernel trick

       0 -- linear: u'*v

       1 -- polynomial: (gamma*u'*v + coef0)^degree

       2 -- radial basis function: exp(-gamma*|u-v|^2)

       3 -- sigmoid: tanh(gamma*u'*v + coef0)

       4 -- precomputed kernel (kernel values in training_set_file)

       -d degree : set degree in kernel function (default 3)

       -g gamma : set gamma in kernel function (default 1/num_features)

       -r coef0 : set coef0 in kernel function (default 0)

       -c cost : set the parameter C of C-SVC, epsilon-SVR, and nu-SVR (default 1)

       -n nu : set the parameter nu of nu-SVC, one-class SVM, and nu-SVR (default 0.5)

       -p epsilon : set the epsilon in loss function of epsilon-SVR (default 0.1)

       -m cachesize : set cache memory size in MB (default )

       -e epsilon : set tolerance of termination criterion (default 0.)

       -h shrinking : whether to use the shrinking heuristics, 0 or 1 (default 1)

       -b probability_estimates : whether to train a SVC or SVR model for probability estimates, 0 or 1 (default 0)

       -wi weight : set the parameter C of class i to weight*C, for C-SVC (default 1)

       -v n: n-fold cross validation mode

       -q : quiet mode (no outputs)

       ä¸‰æé«˜é¢„测的准确率：

       é€šè¿‡ä¸€å®šçš„过程，可以提高预测的准确率(在文献2中有详细介绍)：

       a.转换数据为libsvm可用形式.(可以通过下载的数据了解格式）

       b.进行一个简单的尺度变换

       c.利用RBF kernel，利用cross-validation来查找最佳的参数 C 和 r

       d.利用最佳参数C 和 r ，来训练整个数据集

       e.测试

       å†çœ‹ä¾‹å­1：

       1.进入cmd模式下，输入如下代码，将现有数据进行适度变换，生成变换后的数据文件train.1.scale.txt

       å‚数说明：

       -l 变换后的下限

       -u 变换后的上限

       -s 参考上文

       2执行以下代码

       import os

       os.chdir('C:\libsvm-3.\windows')#设定路径

       from svmutil import

       y, x = svm_read_problem('train.1.scale.txt')#读入训练数据

       yt, xt = svm_read_problem('test.1.scale.txt')#训练测试数据

       m = svm_train(y, x )#训练

       svm_predict(yt,xt,m)#测试

       ç²¾ç¡®åº¦ä¸ºAccuracy = .6% (/) (classification)。

       å¯è§æˆ‘们只是做了简单的尺度变换后，预测的正确率大大提升了。

       3通过选择最优参数，再次提高预测的准确率：（需要把tools文件下的grid.py拷贝到'C:\libsvm-3.\windows'下）

       import os

       os.chdir('C:\libsvm-3.\windows')#设定路径

       from svmutil import

       from grid import

       rate, param = find_parameters('train.1.scale.txt', '-log2c -3,3,1 -log2g -3,3,1')

       y, x = svm_read_problem('train.1.scale.txt')#读入训练数据

       yt, xt = svm_read_problem('test.1.scale.txt')#训练测试数据

       m = svm_train(y, x ,'-c 2 -g 4')#训练

       p_label,p_acc,p_vals=svm_predict(yt,xt,m)#测试

       æ‰§è¡Œä¸Šé¢çš„程序，find_parmaters函数，可以找到对应训练数据较好的参数。后面的log2c,log2g分别设置C和r的搜索范围。搜索机制是以2为底指数搜索，如 –log2c –3 , 3,1 就是参数C,从2^-3，2^-2，2^-1…搜索到2^3.

       æœç´¢åˆ°è¾ƒå¥½å‚数后，在训练的时候加上参数的设置。

       å¦å¤–，读者可以自己试试数据集2,3.