第一篇：LibSvm 使用說(shuō)明 學(xué)習(xí)心得

LibSvm 使用說(shuō)明 學(xué)習(xí)心得

(本頁(yè)內(nèi)容來(lái)自互聯(lián)網(wǎng)，如果對(duì)您的利益造成侵害,請(qǐng)通知我,我會(huì)立即刪除!)

View this tutorial in: English Only TraditionalChinese Only Both(Default)(req.JavaScript if you want to switch languages)Core StyleSheets: Chocolate Midnight Modernist Oldstyle Steely Swiss Traditional Ultramarine

* This document is written in multilingual format.We strongly suggest that you choose your language first to get a better display.piaip's Using(lib)SVM Tutorial piaip 的(lib)SVM 簡(jiǎn)易入門(mén)

piaip at csie dot ntu dot edu dot tw, Hung-Te Lin Fri Apr 18 15:04:53 CST 2003 $Id: svm_tutorial.html,v 1.12 2005/10/26 06:12:40 piaip Exp piaip $ 原作：林弘德，轉(zhuǎn)載請(qǐng)保留原出處

Why this tutorial is here

我一直覺(jué)得 SVM 是個(gè)很有趣的東西，不過(guò)也一直沒(méi)辦法(mostly 沖堂)去聽(tīng) 林智仁老師 的 Data mining 跟 SVM 的課； 后來(lái)看了一些網(wǎng)絡(luò)上的文件跟聽(tīng) kcwu 講了一下 libsvm 的用法后，就想整理一下，算是對(duì)于并不需要知道完整 SVM 理論的人提供使用 libsvm 的入門(mén)。原始 libsvm 的 README 跟 FAQ 也是很好的文件，不過(guò)你可能要先對(duì) svm 跟流程有點(diǎn)了解才看得懂(我在看時(shí)有這樣的感覺(jué))； 這篇入門(mén)就是為了從零開(kāi)始的人而寫(xiě)的。I've been considering SVM as an interesting and useful tool but couldn't attend the “Data mining and SVM” course by prof.cjline about it(mostly due to scheduling conflicts).After reading some materials on the internet and discussing libsvm with some of my classmates and friends , I wanted to provide some notes here as a tutorial for those who do not need to know the complete theory behind SVM theory to use libsvm.The original README and FAQ files that comes with libsvm are good documents too.But you may need to have some basic knowledge of SVM and its workflow(that's how I felt when I was reading them).This tutorial is specificly for those starting from zero.后來(lái)還有一些人提供意見(jiàn)，所以在此要感謝： I must thank these guys who provided feedback and helped me make this tutorial: kcwu, biboshen, puffer, somi 不過(guò)請(qǐng)記得底下可能有些說(shuō)法不一定對(duì)，但是對(duì)于只是想用 SVM 的人來(lái)說(shuō)我覺(jué)得這樣說(shuō)明會(huì)比較易懂。Remember that some aspect below may not be correct.But for those who just wish to “USE” SVM, I think the explanation below is easier to understand.這篇入門(mén)原則上是給會(huì)寫(xiě)基本程序的人看的，也是給我自己一個(gè)備忘 , 不用太多數(shù)學(xué)底子，也不用對(duì) SVM 有任何先備知識(shí)。This tutorial is basically for people who already know how to program.It's also a memo to myself.Neither too much mathmatics nor prior SVM knowledge is required.還看不懂的話有三個(gè)情形 , 一是我講的不夠清楚 , 二是你的常識(shí)不足 , 三是你是小白 ^^;If you still can't understand this tutorial, there are three possibilities: 1.I didn't explain clearly enough, 2.You lack sufficient common knowledge, 3.You don't use your brain properly ^^;我自己是以完全不懂的角度開(kāi)始的，這篇入門(mén)也有不少一樣不懂 SVM 的人 看過(guò)、而且看完多半都有一定程度的理解，所以假設(shè)情況一不會(huì)發(fā)生，那如果不懂一定是后兩個(gè)情況 :P 也所以 , 有問(wèn)題別問(wèn)我。Since I begin writing this myself with no understanding of the subject, ans this document has been read by many people who also didn't understand SVM but gained a certain level of understanding after reading it, possibility 1 can be ruled out.Thus if you can't understand it you must belong to the latter two categories, :P thus even if you have any questions after reading this, don't ask me.SVM: What is it and what can it do for me?

SVM, Support Vector Machine , 簡(jiǎn)而言之它是個(gè)起源跟類神經(jīng)網(wǎng)絡(luò)有點(diǎn)像的東西，不過(guò)現(xiàn)今最常拿來(lái)就是做分類(classification)。也就是說(shuō)，如果我有一堆已經(jīng)分好類的東西（可是分類的依據(jù)是未知的?。?，那當(dāng)收到新的東西時(shí)，SVM 可以預(yù)測(cè)(predict)新的數(shù)據(jù)要分到哪一堆去。SVM, Support Vector Machine , is something that has similar roots with neural networks.But recently it has been widely used in Classification.That means, if I have some sets of things classified(But you know nothing about HOW I CLASSIFIED THEM, or say you don't know the rules used for classification), when a new data comes, SVM can PREDICT which set it should belong to.聽(tīng)起來(lái)是很神奇的事（如果你覺(jué)得不神奇，請(qǐng)重想一想這句話代表什么： 分類的依據(jù)是未知的！，還是不神奇的話就請(qǐng)你寫(xiě)個(gè)程序 解解看這個(gè)問(wèn)題），也很像要 AI 之類的高等技巧...不過(guò) SVM 基于 統(tǒng)計(jì)學(xué)習(xí)理論 可以在合理的時(shí)間內(nèi)漂亮的解決這個(gè)問(wèn)題。It sounds marvelous and would seem to require advanced techniques like AI searching or some time-consuming complex computation.But SVM used some Statistical Learning Theory to solve this problem in reasonable time.以圖形化的例子來(lái)說(shuō)明(by SVMToy), 像假定我在空間中標(biāo)了一堆用顏色分類的點(diǎn) , 點(diǎn)的顏色就是他的類別 , 位置就是他的數(shù)據(jù) , 那 SVM 就可以找出區(qū)隔這些點(diǎn)的方程式 , 依此就可以分出一區(qū)區(qū)的區(qū)域;拿到新的點(diǎn)(數(shù)據(jù))時(shí) , 只要對(duì)照該位置在哪一區(qū)就可以(predict)找出他應(yīng)該是哪一顏色(類別)了 : Now we explain with a graphical example(by SVMToy), I marked lots of points with different colors on a plane, the color of each point is its “class” and the location is its data.SVM can then find equations to split these points and with these equations we can get colored regions.When a new point(data)comes, we can find(predict)what color(class)a point should be just by using the point's location(data)原始資料分布 Original Data SVM 找出來(lái)的區(qū)域 SVM Regions

當(dāng)然 SVM 不是真的只有畫(huà)圖分區(qū)那么簡(jiǎn)單 , 不過(guò)看上面的例子應(yīng)該可以了解 SVM 大概在作什么.Of course SVM is not really just about painting and marking regions, but with the example above you should should be able to get some idea about what SVM is doing.要對(duì) SVM 再多懂一點(diǎn)點(diǎn)，可以參考 cjlin 在 data mining 課的 slides: pdf or ps。底下我試著在不用看那個(gè) slide 的情況 解釋及使用 libsvm。To get yourself more familiar with SVM, you may refer to the slides cjlin used in his Data Mining course : pdf or ps.I'm going to try to explain and use libSVM without those slides.所以 , 我們可以把 SVM 當(dāng)個(gè)黑盒子 , 數(shù)據(jù)丟進(jìn)去讓他處理然后我們?cè)賮?lái)用就好了.Thus we can consider SVM as a black box.Just push data into SVM and use the output.How do I get SVM?

林智仁(cjlin)老師 的 libsvm 當(dāng)然是最完美的工具.Chih-Jen Lin 's libsvm is of course the best tool you can ever find.Download libsvm

下載處 : Download Location: libsvm.zip or libsvm.tar.gz

.zip 跟.tar.gz 基本上是一樣的 , 只是看你的 OS;習(xí)慣上 Windows 用.zip 比較方便(因?yàn)橛?WinZIP, 不過(guò)我都用 WinRAR), UNIX 則是用.tar.gz Contents in the.zip and.tar.gz are the same.People using Windows usually like to use.zip files because they have WinZIP, which I always replace with WinRAR.UNIX users mostly prefer.tar.gz Build libsvm

解開(kāi)來(lái)后 , 假定是 UNIX 系統(tǒng) , 直接打 make 就可以了;編不出來(lái)的話請(qǐng) 詳讀說(shuō)明和運(yùn)用常識(shí).因?yàn)檫@是 tutorial, 所以我不花時(shí)間細(xì)談 , 而且 會(huì)編不出來(lái)的情形真是少之又少 , 通常一定是你的系統(tǒng)有問(wèn)題或你太笨了.其它的子目錄可以不管 , 只要 svm-train, svm-scale, svm-predict 三個(gè)執(zhí)行檔有編出來(lái)就可以了.After you extracted the archives, just type make if you are using UNIX.You may ignore some of the subdirectories.We only need these executable files: svm-train, svm-scale, and svm-predict

Windows 的用戶要自己重編當(dāng)然也是可以 , 不過(guò)已經(jīng)有編好的 binary 在里面了 : 請(qǐng)檢查 windows 子目錄 , 應(yīng)該會(huì)有 svmtrain.exe, svmscale.exe, svmpredict.exe, svmtoy.exe.Windows users may rebuild from source if you want, but there're already some prebuilt binaries in the archive: just check your “windows” subdirectory and you should find svmtrain.exe, svmscale.exe, svmpredict.exe, and svmtoy.exe.Using SVM

libsvm 有很多種用法 , 這篇 tutorial 只打算講簡(jiǎn)單的部分.libsvm has lots of functions.This tutorial will only explain the easier parts(mostly classification with default model).The programs

解釋一下幾個(gè)主要執(zhí)行檔的作用 :(UNIX/Windows 下檔名稍有不同 , 請(qǐng)用常識(shí)理解我在講哪個(gè))I'm going to describe how to use the most important executables here.The filenames are a little bit different under Unix and Windows, apply common sense to see which I'm referring to.svmtrain Train(訓(xùn)練)data.跑 SVM 被戲稱為 “ 開(kāi)火車(chē) ” 也是由于這個(gè)程序名而來(lái).train 會(huì)接受特定格式的輸入 , 產(chǎn)生一個(gè) “Model” 檔.這個(gè) model 你可以想象成 SVM 的內(nèi)部數(shù)據(jù) , 因?yàn)?predict 要 model 才能 predict, 不能直接吃原始數(shù)據(jù).想想也很合理 , 假定 train 本身是很耗時(shí)的動(dòng)作 , 而 train 好可以以某種形式存起內(nèi)部數(shù)據(jù) , 那下次要 predict 時(shí)直接把那些內(nèi)部數(shù)據(jù) load 進(jìn)來(lái)就快多了.Use your data for training.Running SVM is often referred to as 'driving trains' by its non-native English speaking authors because of this program.svmtrain accepts some specifically format which will be explained below and then generate a 'Model' file.You may think of a 'Model' as a storage format for the internal data of SVM.This should appear very reasonable after some thought, since training with data is a time-consuming process, so we 'train' first and store the result enabling the 'predict' operation to go much faster.svmpredict 依照已經(jīng) train 好的 model, 再加上給定的輸入(新值), 輸出 predict(預(yù)測(cè))新值所對(duì)應(yīng)的類別(class).Output the predicted class of the new input data according to a pre-trained model.svmscale Rescale data.因?yàn)樵紨?shù)據(jù)可能范圍過(guò)大或過(guò)小 , svmscale 可以先將數(shù)據(jù)重新 scale(縮放)到適當(dāng)范圍.Rescale data.The original data maybe too huge or small in range, thus we can rescale them to the proper range so that training and predicting will be faster.File Format

檔案格式要先交代一下.你可以參考 libsvm 里面附的 “heart_scale”: This is the input file format of SVM.You may also refer to the file “heart_scale” which is bundled in official libsvm source archive.[label] [index1]:[value1] [index2]:[value2]...[label] [index1]:[value1] [index2]:[value2].....一行一筆資料，如 One record per line, as: +1 1:0.708 2:1 3:1 4:-0.320 5:-0.105 6:-1

label 或說(shuō)是 class, 就是你要分類的種類，通常是一些整數(shù)。Sometimes referred to as 'class', the class(or set)of your classification.Usually we put integers here.index 是有順序的索引，通常是放連續(xù)的整數(shù)。Ordered indexes.usually continuous integers.value 就是用來(lái) train 的數(shù)據(jù)，通常是一堆實(shí)數(shù)。The data for training.Usually lots of real(floating point)numbers.每一行都是如上的結(jié)構(gòu) , 意思就是 : 我有一排資料 , 分別是 value1, value2,....valueN,(而且它們的順序已由 indexN 分別指定)，這排數(shù)據(jù)的分類結(jié)果就是 label。Each line has the structure described above.It means, I have an array(vector)of data(numbers): value1, value2,....valueN(and the order of the values are specified by the respective index), and the class(or the result)of this array is label.或許你會(huì)不太懂，為什么會(huì)是 value1,value2,....這樣一排呢？ 這牽涉到 SVM 的原理。你可以這樣想（我沒(méi)說(shuō)這是正確的），它的名字就叫 Support “Vector” Machine，所以輸入的 training data 是 “Vector”(向量), 也就是一排的 x1, x2, x3,...這些值就是 valueN，而 x[n] 的 n 就是 由 indexN 指定。這些東西又稱為 “attribute”。真實(shí)的情況是，大部份時(shí)候我們給定的數(shù)據(jù)可能有很多 “ 特征(feature)” 或說(shuō) “ 屬性(attribute)”，所以輸入會(huì)是 一組的。舉例來(lái)說(shuō)，以前面 畫(huà)點(diǎn)分區(qū)的例子 來(lái)說(shuō)，我們不是每個(gè)點(diǎn)都有 X 跟 Y 的坐標(biāo)嗎？ 所以它就有 兩種 attribute。假定我有兩個(gè)點(diǎn)：(0,3)跟(5,8)分別在 label(class)1 跟 2，那就會(huì)寫(xiě)成 1 1:0 2:3 2 1:5 2:8 同理，空間中的三維坐標(biāo)就等于有三組 attribute。Maybe it's confusing to you: why value, value2,...? The reason is usually the input data to the problem you were trying to solve involves lots of 'features', or say 'attributes', so the input will be a set(or say vector/array).Take the Marking points and find region example described above, we assumed each point has coordinates X and Y so it has two attributes(X and Y).To describe two points(0,3)and(5,8)as having labels(classes)1 and 2, we will write them as: 1 1:0 2:3 2 1:5 2:8 And 3-dimensional points will have 3 attributes.這種檔案格式最大的好處就是可以使用 sparse matrix，或說(shuō)有些 data 的 attribute 可以不存在。This kind of fileformat has the advantage that we can specify a sparse matrix, ie.some attribute of a record can be omitted.To Run libsvm

來(lái)解釋一下 libsvm 的程序怎么用。你可以先拿 libsvm 附的 heart_scale 來(lái)做輸入，底下也以它為例： Now I'll show you how to use libsvm.You may use the heart_scale file in the libsvm source archive as input, as I'll do in this example: 看到這里你應(yīng)該也了解，使用 SVM 的流程大概就是： You should have a sense that using libsvm is basically: 1.準(zhǔn)備數(shù)據(jù)并做成指定 格式(有必要時(shí)需 svmscale)Prepare data in specified format and svmscale it if necessary.2.用 svmtrain 來(lái) train 成 model Train the data to create a model with svmtrain.3.對(duì)新的輸入，使用 svmpredict 來(lái) predict 新數(shù)據(jù)的 class Predict new input data with svmpredict and get the result.svmtrain

svmtrain 的語(yǔ)法大致就是 : The syntax of svmtrain is basically: svmtrain [options] training_set_file [model_file]

training_set_file 就是之前的格式，而 model_file 如果不給就會(huì) 叫 [training_set_file].model。options 可以先不要給。The format of training_set_files is described above.If the model_file is not specified, it'll be [training_set_file].model by default.Options can be ignored at first.下列程序執(zhí)行結(jié)果會(huì)產(chǎn)生 heart_scale.model 檔：(屏幕輸出不是很重要，沒(méi)有錯(cuò)誤就好了)The following command will generate the heart_scale.model file.The screen output may be ignored if there were no errors../svm-train heart_scale

optimization finished, #iter = 219 nu = 0.431030 obj =-100.877286, rho = 0.424632 nSV = 132, nBSV = 107 Total nSV = 132 svmpredict

svmpredict 的語(yǔ)法是 : The syntax to svm-predict is: svmpredict test_file model_file output_file

test_file 就是我們要 predict 的數(shù)據(jù)。它的格式跟 svmtrain 的輸入，也就是

training_set_file 是一樣的！不過(guò)每行最前面的 label 可以省略(因?yàn)?predict 就是要 predict 那個(gè) label)。但如果 test_file 有 label 的值的話，predict 完會(huì)順便拿 predict 出來(lái)的值跟 test_file 里面寫(xiě)的值去做比對(duì)，這代表： test_file 寫(xiě)的 label 是真正的分類結(jié)果，拿來(lái)跟我們 predict 的結(jié)果比對(duì)就可以 知道 predict 有沒(méi)有猜對(duì)了。test_file is the data the we are going to 'predict'.Its format is almost exactly the same as the training_set_file, which we fed as input to svmtrain.But we can skip the leading label(Because 'predict' will output the label).Somehow if test_file has labels, after predicting svm-predict will compare the predicted label with the label written in test_file.That means, test_file has the real(or correct)result of classification, and after comparing with our predicted result we can know whether the prediction is correct or not.也所以，我們可以拿原 training set 當(dāng)做 test_file 再丟給 svmpredict 去 predict(因?yàn)楦袷揭粯?，看看正確率有多高，方便后面調(diào)參數(shù)。So we can use the original training_set_file as test_file and feed it to svmpredict for prediction(nothing different in file format)and see how high the accuracy is so we can optimize the arguments.其它參數(shù)就很好理解了： model_file 就是 svmtrain 出來(lái) 的檔案，output_file 是存輸出結(jié)果的檔案。Other arguments should be easy to figure out now: model_file is the model trained by svmtrain, and output_file is where we store the output result.輸出的格式很簡(jiǎn)單，每行一個(gè) label，對(duì)應(yīng)到你的 test_file 里面的各行。Format of output is simple.Each line contains a label corresponding to your test_file.下列程序執(zhí)行結(jié)果會(huì)產(chǎn)生 heart_scale.out ： The following commands will generate heart_scale.out:./svm-predict heart_scale heart_scale.model heart_scale.out Accuracy = 86.6667%(234/270)(classification)Mean squared error = 0.533333(regression)Squared correlation coefficient = 0.532639(regression)As you can see，我們把原輸入丟回去 predict，第一行的 Accuracy 就是預(yù)測(cè)的正確率了。如果輸入沒(méi)有 label 的話，那就是真的 predict 了。As you can see, after we 'predict'ed the original input, we got 'Accuracy=86.6667%“ on first line as accuracy of prediction.If we don't put labels in input, the result is real prediction.看到這里，基本上你應(yīng)該已經(jīng)可以利用 svm 來(lái)作事了： 你只要寫(xiě)程序輸出正確格式的數(shù)據(jù)，交給 svm 去 train，后來(lái)再 predict 并讀入結(jié)果即可。Now you can use SVM to do whatever you want!Just write a program to output its data in the correct format, feed the data to SVM for training, then predct and read the output.Advanced Topics

后面可以說(shuō)是一些稍微進(jìn)階的部份，我可能不會(huì)講的很清楚，因?yàn)槲业闹攸c(diǎn)是想表達(dá)一些觀念和解釋一些你看相關(guān)文件時(shí) 很容易碰到的名詞。These are a little advanced and I may not explain very clearly.Because I just want to help you get familiar with some of the terminology and ideas that you'll encounter when you read other(lib)SVM documents.Scaling

svm-scale 目前不太好用，不過(guò)它有其必要性。因?yàn)?適當(dāng)?shù)?scale 有助于參數(shù)的選擇(后述)還有解 svm 的速度。

svmscale 會(huì)對(duì)每個(gè) attribute 做 scale。范圍用-l,-u 指定，通常是 [0,1] 或是 [-1,1]。輸出在 stdout。

另外要注意的(常常會(huì)忘記)是 testing data 和 training data 要一起 scale。而 svm-scale 最難用的地方就是沒(méi)辦法指定 testing data/training data(不同檔案)然后一起 scale。

svm-scale is not easy to use right now, but it is important.Scaling aids the choosing of arguments(described below)and the speed of solving SVM.svmscale rescales all atrributes with the specified(by-l,-u)range, usually [0,1] or [-1,1].Please keep in mind that testing data and training data MUST BE SCALED WITH THE SAME RANGE.Don't forget to scale your testing data before you predict.We can't specify the testing and training data file together and scale them in one command, that's why svm-scale is not so easy to use right now.Arguments

前面提到，在 train 的時(shí)候可以下一些參數(shù)。(直接執(zhí)行 svm-train 不指定輸入檔與參數(shù)會(huì)列出所有參數(shù)及語(yǔ)法說(shuō)明)這些參數(shù)對(duì)應(yīng)到原始 SVM 公式的一些參數(shù)，所以會(huì)影響 predict 的正確與否。舉例來(lái)說(shuō)，改個(gè) c=10:./svm-train-c 10 heart_scale

再來(lái) predict，正確率馬上變成 92.2%(249/270)。

We know that we can use some arguments when we were training data(Running svm-train without any input file or arguments will cause it to print its list syntax help and complete arguments).These arguments corresponds to some arguments in original SVM equations so they will affect the accuracy of prediction.Let's use c=10 as an example:./svm-train-c 10 heart_scale

If you predict again now, the accuracy will be 92.2%(249/270).Cross Validation

一般而言，SVM 使用的方式(在決定參數(shù)時(shí))常是這樣： 1.先有已分好類的一堆資料 2.隨機(jī)數(shù)拆成好幾組 training set 3.用某組參數(shù)去 train 并 predict 別組看正確率 4.正確率不夠的話，換參數(shù)再重復(fù) train/predict Mostly people use SVM while following this workflow: 1.Prepare lots of pre-classified(correct)data 2.Split them into several training sets randomly.3.Train with some arguments and predict other sets of data to calculate the accuracy.4.Change the arguments and repeat until we get good accuracy.等找到一組不錯(cuò)的參數(shù)后，就拿這組參數(shù)來(lái)建 model 并用來(lái)做最后對(duì)未知數(shù)據(jù)的 predict。這整個(gè)過(guò)程叫 cross validation，也就是交叉比對(duì)。When we got some nice arguments, we will then use them to train the model and use the model for final prediction(on unknown test data).This whole process is called cross validation.在我們找參數(shù)的過(guò)程中，可以利用 svmtrain 的內(nèi)建 cross validation 功能來(lái)幫忙：-v n: n-fold cross validation

n 就是要拆成幾組，像 n=3 就會(huì)拆成三組，然后先拿 1 跟 2 來(lái) train model 并 predict 3 以得到正確率； 再來(lái)拿 2 跟 3 train 并 predict 1，最后 1,3 train 并 predict 2。其它以此類推。In the process of experimenting with the arguments, we can use the built-in support for validation of svmtrain:-v n: n-fold cross validation

n is how many sets to split your input data.Specifing n=3 will split data into 3 sets;train the model with data set 1 and 2 first then predict data set 3 to get the accuracy, then train with data set 2 and 3 and predict data set 1, finally train 1,3 and predict 2,...ad infinitum.如果沒(méi)有交叉比對(duì)的話，很容易找到只在特定輸入時(shí)好的參數(shù)。像前面我們 c=10 得到 92.2%，不過(guò)拿-v 5 來(lái)看看：./svm-train-v 5-c 10 heart_scale...Cross Validation Accuracy = 80.3704%平均之后才只有 80.37%，比一開(kāi)始的 86 還差。If we don't use cross validation, sometimes we may be fooled by some arguments only good for some special input.Like the example we used above, c=10 has 92.2%.If we do so with-v 5:./svm-train-v 5-c 10 heart_scale...Cross Validation Accuracy = 80.3704% After the prediction results is averaged with cross validation we have only 80.37% accuracy, even worse than with the original argument(86%).What arguments rules?

通常而言，比較重要的參數(shù)是 gamma(-g)跟 cost(-c)。而 cross validation(-v)的參數(shù)常用 5。Generally speaking, you will only modify two important arguments when you are using training with data: gamma(-g)and cost(-c).And cross validation(-v)is usually set to 5.cost 默認(rèn)值是 1, gamma 默認(rèn)值是 1/k，k 等于輸入 數(shù)據(jù)筆數(shù)。那我們?cè)趺粗酪枚嗌賮?lái)當(dāng)參數(shù)呢？

用 試 的

是的，別懷疑，就是 Try 參數(shù)找比較好的值。

cost is 1 by default, and gamma has default value = 1/k , k = number of input records.Then how do we know what value to choose as arguments? T R Y

Yes.Just by trial and error.Try 參數(shù)的過(guò)程常用 exponential 指數(shù)成長(zhǎng)的方式來(lái)增加與減少參數(shù)的數(shù)值，也就是 2^n(2 的 n 次方)。When experimenting with arguments, the value usually increases and decreases in exponential order.i.e., 2^n.因?yàn)橛袃山M參數(shù)，所以等于要 try n*n=n^2 次。這個(gè)過(guò)程是不連續(xù)的成長(zhǎng)，所以可以想成我們?cè)谝粋€(gè) X-Y平面上指定的范圍內(nèi)找一群格子點(diǎn)(grid，如果你不太明白，想成方格紙或我們把平面上所有 整數(shù)交點(diǎn)都打個(gè)點(diǎn)，就是那樣)，每個(gè)格子點(diǎn)的 X 跟 Y 經(jīng)過(guò)換算(如 2^x, 2^y)就拿去當(dāng) cost 跟 gamma 的值來(lái) cross validation。Because we have two important arguments, we have to try n*n=n^2 times.The whole process is discontinous and can be thought of as finding the grid points on a specified region(range)of the X-Y plane(Think of marking all integer interception points on a paper).Convert each grid point's X and Y coordinate to exponential values(like 2^x, 2^y)then we can use them as value of cost and gamme for cross validation.所以現(xiàn)在你應(yīng)該懂得 libsvm 的 python 子目錄下面 有個(gè) grid.py 是做啥的了： 它把上面的過(guò)程自動(dòng)化，在你給定的范圍內(nèi)呼叫 svm-train 去 try 所有的參數(shù)值。python 是一種語(yǔ)言，在這里我不做介紹，因?yàn)槲視?huì)了 :P(just a joke，真正原因是--這是 libsvm 的 tutorial)。grid.py 還會(huì)把結(jié)果 plot 出來(lái)，方便你尋找參數(shù)。libsvm 有很多跟 python 結(jié)合的部份，由此可見(jiàn) python 是強(qiáng)大方便的工具。很多神奇的功能，像自動(dòng)登入多臺(tái) 機(jī)器去平行跑 grid 等等都是 python 幫忙的。不過(guò) SVM 本身可以完全不需要 python，只是會(huì)比較方便。So look for 'grid.py' in the 'python' subdirectory inside the libsvm archive.You should know what it does now: automatically execute the procedure above, try all argument values by calling svm-train within the region specified by you.Python is a programming language which I'm not going to explain here.grid.py will also plot the result graphically to help you look for good arguments.There're also many parts of libsvm powered by python, like logging into several hosts and running grids at the same time parallel.Keep in mind that libsvm can be used without python entirely.Python just only helped us to do thinks quickly.跑 grid(基本上用 grid.py 跑當(dāng)然是最方便，不過(guò) 如果你不懂 python 而且覺(jué)得很難搞，那你要自己產(chǎn)生 參數(shù)來(lái)跑也是可以的)通常好的范圍是

[c,g]=[2^-10,2^10]*[2^-10,2^10] 另外其實(shí) grid 用 [-8,8] 也很夠了。Running for grids(it's more convenient to just use grid.py but it's also ok if you don't)you may choose the range as [c,g]=[2^-10,2^10]*[2^-10,2^10] Usually [-8,8] is enough for grids.Regression

另一個(gè)值得一提的是 regression。

簡(jiǎn)單來(lái)說(shuō)，前面都是拿 SVM 來(lái)做分類(classification), 所以 label 的值都是 discrete data、或說(shuō)已知的固定值。而 regression 則是求 continuous 的值、或說(shuō)未知的值。你也可以說(shuō)，一般是 binary classification, 而 regression 是可以預(yù)測(cè)一個(gè)實(shí)數(shù)。比如說(shuō)我知道股市指數(shù)受到某些因素影響 , 然后我想預(yù)測(cè)股市..股市的指數(shù)就是我們的 label, 那些因素量化以后變成 attributes。以后搜集那些 attributes 給 SVM 它就會(huì) 預(yù)測(cè)出指數(shù)(可能是沒(méi)出現(xiàn)過(guò)的數(shù)字)，這就要用 regression。那樂(lè)透開(kāi)獎(jiǎng)的號(hào)碼呢？ 因?yàn)槎际枪潭ㄒ阎臄?shù)字，很明顯我們應(yīng)該用一般 SVM 的 classification 來(lái) predict。(注：這是真實(shí)的例子--llwang 就寫(xiě)過(guò)這樣的東西)所以說(shuō) label 也要 scale, 用 svm-scale-y lower upper

但是比較糟糕的情況是 grid.py 不支持 regression，而且 cross validation 對(duì) regression 也常常不是很有效。

總而言之，regression 是非常有趣的東西，不過(guò)也是比較 進(jìn)階的用法。在這里我們不細(xì)談了，有興趣的人請(qǐng)?jiān)?參考 SVM 與 libsvm 的其它文件。The other important issue is ”Regression“.To explain briefly, we only used SVM to do classification in this tutorial.The type of label we used are always discrete data(ie.a known fixed value).”Regression“ in this context means to predict labels with continuous values(or unknown values).You can think of classification as predictions with only binary outcomes, and regression as predictions that output real(floating point)numbers.Thus to predict lottery numbers(since they are always fixed numbers)you should use classification, and to predict the stock market you need regression.The labels must also be scaled when you use regression, by svm-scale-y lower upper However grid.py does not support regression, and cross validation sometimes does not work well with regression.Regression is interesting but also advanced.Please refer to other documents for details.Epilogue

到此我已經(jīng)簡(jiǎn)單的說(shuō)明了 libsvm 的使用方式，更完整的用法請(qǐng)參考 libsvm 的說(shuō)明跟 cjlin 的網(wǎng)站、SVM 的相關(guān)文件，或是去上 cjlin 的課。Here we have already briefly explained the libsvm software.For complete usage guides please refer to documents inside the libsvm archive, cjlin's website , SVM-related documents, or go take cjlin's course if you are a student at National Taiwan University :)對(duì)于 SVM 的新手來(lái)說(shuō)，libsvmtools 有很多好東西。像 SVM for dummies 就是很方便觀察 libsvm 流程的東西。Take a glance at libsvmtools especially ”SVM for dummies" there.Those are good tools for SVM newbies that helps in observing libsvm workflow.Copyright All rights reserved by Hung-Te Lin(林弘德, piaip),，Website: piaip at ntu csie，2003.All HTML/text typed within VIM on Solaris.Style sheet from W3C Core StyleSheets.

第二篇：合法使用說(shuō)明

易制毒化學(xué)品合法使用說(shuō)明

本單位XX車(chē)間后續(xù)生產(chǎn)使用到國(guó)家管制的二、三類易制毒化學(xué)品——硫酸和鹽酸，主要用于污水處理和實(shí)驗(yàn)試劑。

預(yù)計(jì)年涉及量：硫酸10噸/年，鹽酸10升/年。

本單位保證嚴(yán)格遵守《易制毒化學(xué)品管理?xiàng)l例》和《易制毒化學(xué)品購(gòu)銷(xiāo)和運(yùn)輸辦法》，保證將所購(gòu)買(mǎi)易制毒化學(xué)品全部按照合法用途使用，在任何情況下不用于制造毒品，不挪作他用，不私自轉(zhuǎn)讓給其他單位或個(gè)人，并自覺(jué)加強(qiáng)易制毒化學(xué)品管理，落實(shí)出入庫(kù)登記制度，自覺(jué)接受監(jiān)督檢查。如有違反上述承諾，致使易制毒化學(xué)品流入非法渠道，我單位自愿接受相應(yīng)處罰。

特此證明。

單位名稱（簽章）：

天津XX制造有限公司

日期：

****年**月**日

第三篇：課件使用說(shuō)明

課件使用說(shuō)明

1、課件使用的軟件為flash8.0。

2、雙擊“兩位數(shù)加減兩位數(shù).exe”或者“兩位數(shù)加減兩位數(shù).swf”打開(kāi)課件。

3、共14個(gè)環(huán)節(jié)，每個(gè)環(huán)節(jié)已改為自動(dòng)播放，請(qǐng)稍等。

4、一個(gè)環(huán)節(jié)播完后，單擊右下角的5、返回上一個(gè)環(huán)節(jié)單擊左下角的按鈕可進(jìn)入下個(gè)環(huán)節(jié)。按鈕。

按鈕可停止音樂(lè)。

6、第14環(huán)節(jié)（歡迎來(lái)到動(dòng)物村莊），單擊右下角的7、按鍵盤(pán)上的Esc鍵，退出全屏模式，單擊關(guān)閉按鈕關(guān)閉課件。

第四篇：課件使用說(shuō)明

課 件 使 用 說(shuō) 明

一、課件說(shuō)明

課件名稱：荷葉圓圓

年級(jí)科目：人教版一年級(jí)語(yǔ)文下冊(cè)

課件作者：道真自治縣三橋鎮(zhèn)接龍小學(xué) 王德敏 文件類型：PPT格式

二、課件使用說(shuō)明

1、雙擊課件圖標(biāo)打開(kāi)課件封面，出示作者，單擊左鍵，出示圖片，導(dǎo)出課題。

2、在第2張ppt上，單擊 知故事內(nèi)容，激發(fā)學(xué)生的學(xué)習(xí)興趣。

3、在第9張ppt上，單擊 鍵盤(pán)上按ESC鍵返回。

4、在第11張ppt上，單擊 圖，在鍵盤(pán)上按ESC鍵返回。

5、在第11張ppt上，單擊 鍵盤(pán)上按ESC鍵返回。

6、在第12張ppt上，在右下角單擊

7、在第14張ppt上，在右下角單擊 塘美景視頻，欣賞荷塘美景。

8、除以上7個(gè)操作之外，其余全部操作由單擊左鍵完成。

二字，播放搖籃圖，在 按鈕，播放課文動(dòng)畫(huà)，感

三字，播放停機(jī)坪 字，播放動(dòng)詞做游戲，在 按鈕，播放音 按鈕，播放荷樂(lè)，做角色扮演活動(dòng)，單擊左鍵結(jié)束，并進(jìn)入下一環(huán)節(jié)。

第五篇：規(guī)章制度使用說(shuō)明

規(guī)章制度使用說(shuō)明

各顧問(wèn)單位負(fù)責(zé)法律事務(wù)的人員，請(qǐng)根據(jù)下列《企業(yè)勞動(dòng)規(guī)章制度》結(jié)合本企業(yè)的實(shí)際情況，對(duì)《企業(yè)勞動(dòng)規(guī)章制度》中未填寫(xiě)的部分予以填充；對(duì)《企業(yè)勞動(dòng)規(guī)章制度》中不適合本企業(yè)的內(nèi)容，可以刪除和修改；對(duì)《企業(yè)勞動(dòng)規(guī)章制度》中未涉及到的內(nèi)容，可以增加補(bǔ)充。

經(jīng)過(guò)顧問(wèn)單位修改過(guò)的《企業(yè)勞動(dòng)規(guī)章制度》，一定要經(jīng)過(guò)職工代表大會(huì)或者職工大會(huì)討論表決通過(guò)，并予以公示。表決的結(jié)果要用書(shū)面的形式記錄下來(lái)，并作為檔案保存。企業(yè)勞動(dòng)規(guī)章制度 第一章 總則

第1條 為規(guī)范企業(yè)和職工的行為，維護(hù)企業(yè)和職工雙方的合法權(quán)益，根據(jù)《中華人民共和國(guó)勞動(dòng)法》、《中華人民共和國(guó)勞動(dòng)合同法》及其配套法規(guī)、規(guī)章的規(guī)定，結(jié)合企業(yè)的實(shí)際情況，制定本規(guī)章制度。

第2條 本規(guī)章制度適用于企業(yè)和全體職工，職工包括管理人員、技術(shù)人員和普通職工；包括試用工和正式工；對(duì)特殊職位的職工另有規(guī)定的從其規(guī)定。

第3條 職工享有取得勞動(dòng)報(bào)酬、休息休假、獲得勞動(dòng)安全衛(wèi)生保護(hù)，享受社會(huì)保險(xiǎn)和福利等勞動(dòng)權(quán)利，同時(shí)應(yīng)當(dāng)履行完成勞動(dòng)任務(wù)、遵守企業(yè)規(guī)章制度和職業(yè)道德等勞動(dòng)義務(wù)。第二章 工作時(shí)間與休息休假

第5條 企業(yè)實(shí)行每天工作 小時(shí)，每周工作時(shí)間不超過(guò)40小時(shí)，每周至少休息一天，對(duì)特殊崗位的職工實(shí)行不定時(shí)或綜合計(jì)時(shí)工作制。

第6條 職工每天正常上班時(shí)間為：上午 ： 時(shí)— ： 時(shí)，下午 ：— ： 時(shí)。

第7條公司根據(jù)生產(chǎn)需要，經(jīng)與員工協(xié)商可以依法延長(zhǎng)日工作時(shí)間和安排員工休息日（星期

六、日）加班，但每日延長(zhǎng)工作時(shí)間一般不超過(guò)3小時(shí)，并保證員工每周至少休息一天。

第8條 員工加班加點(diǎn)應(yīng)由部門(mén)經(jīng)理、主管安排或經(jīng)本人申請(qǐng)而由部門(mén)經(jīng)理、主管批準(zhǔn)；員工經(jīng)批準(zhǔn)加班的，依國(guó)家規(guī)定支付加班工資或安排補(bǔ)休。

第9條 員工的休息日和法定休假日如下：

（1）休息日： 星期

六、星期日；（2）休假日： 元旦1天、春節(jié)3天、五一節(jié)3天、國(guó)慶節(jié)3天。

（2）婚 假： 員工本人結(jié)婚，可享受婚假3天；晚婚者（男年滿25周歲、女年滿23周歲）增加10天。

（3）喪 假： 員工直系親屬（父母、配偶、子女）死亡，可享受喪假3天；員工配偶的父母死亡，經(jīng)公司總經(jīng)理批準(zhǔn)，可給予3天以內(nèi)的喪假。第三章 工資福利 第10條 職工工資不低于佛山市最低工資標(biāo)準(zhǔn) 元/月。第11條 企業(yè)實(shí)行計(jì)時(shí)工資和計(jì)件工資，此外包括加班工資、獎(jiǎng)金、津貼和補(bǔ)貼。獎(jiǎng)金和生活補(bǔ)貼不列入工資。計(jì)時(shí)工資和計(jì)件工資以勞動(dòng)合同約定或單價(jià)協(xié)議書(shū)為準(zhǔn)。

第12條 安排職工加班的，企業(yè)按國(guó)家有關(guān)規(guī)定支付加班工資。第13條 休息日安排職工加班，企業(yè)可以安排職工補(bǔ)休而不支付加班工資。

第14條 因職工原因給企業(yè)造成經(jīng)濟(jì)損失的，企業(yè)可以要求職工賠償或依企業(yè)規(guī)章制度對(duì)職工罰款的，可從職工當(dāng)月工資中扣除。罰款和賠償可以同時(shí)執(zhí)行，但每月扣除的不超過(guò)職工工資的20%，扣除后余額工資不低于最低工資標(biāo)準(zhǔn) 770 元。

第15條 有下列情況之一，企業(yè)可以代扣或減發(fā)職工工資而不屬于克扣工資：

（1）代扣代繳員工個(gè)人所得稅；（2）代扣代繳員工個(gè)人負(fù)擔(dān)的社會(huì)保險(xiǎn)費(fèi)、住房公積金；（3）法院判決、裁定中要求代扣的撫養(yǎng)費(fèi)、贍養(yǎng)費(fèi)；（4）扣除依法賠償給公司的費(fèi)用；（5）、扣除員工違規(guī)違紀(jì)受到公司處罰的罰款；（6）勞動(dòng)合同約定的可以減發(fā)的工資；（7）依法制定的公司規(guī)章制度規(guī)定可以減發(fā)的工資；（8）經(jīng)濟(jì)效益下浮而減發(fā)的浮動(dòng)工資；（9）員工請(qǐng)事假而減發(fā)的工資；（10）法律、法規(guī)、規(guī)章規(guī)定可以扣除的工資或費(fèi)用。

第四章 勞動(dòng)安全衛(wèi)生與勞動(dòng)保護(hù)

第16條 公司努力貫徹安全第一、預(yù)防為主的方針，為員工提供符合國(guó)家規(guī)定的勞動(dòng)安全衛(wèi)生條件和必要的勞動(dòng)防護(hù)用品，對(duì)從事有職業(yè)危害作業(yè)的員工和未成年工定期進(jìn)行檢查。第17條 公司對(duì)員工進(jìn)行安全生產(chǎn)教育和培訓(xùn)，使員工具備必要的安全生產(chǎn)意識(shí)，熟悉安全生產(chǎn)制度和安全操作規(guī)程，掌握本崗位的安全操作技能。

第18條 公司實(shí)行安全生產(chǎn)責(zé)任制，部門(mén)經(jīng)理（或部門(mén)主管）對(duì)本部門(mén)的安全問(wèn)題負(fù)責(zé)，法定代表人（或總經(jīng)理、安全主任）對(duì)全公司的安全問(wèn)題負(fù)責(zé)。

第19條 公司對(duì)女職工和未成年工實(shí)行特殊勞動(dòng)保護(hù)，不安排女職工和未成年工從事法律、法規(guī)禁止的勞動(dòng)。第五章 勞動(dòng)紀(jì)律與員工守則

第20條 員工必須遵守如下考勤和辭職制度：

（1）按時(shí)上班、下班，不得遲到、早退；（2）必須自己打卡，不得委托他人打卡或代替他人打卡；（3）因公外出、漏打、錯(cuò)打等特殊原因未能打卡的，必須由本部門(mén)經(jīng)理或主管簽卡方能有效；（4）有事、有病必須向部門(mén)經(jīng)理或主管請(qǐng)假，不得無(wú)故曠工；（5）請(qǐng)假必須事先填寫(xiě)《請(qǐng)假單》，并附上相關(guān)證明（病假應(yīng)有醫(yī)生證明），在不得已的情況下，應(yīng)提早電話、電報(bào)或委托他人請(qǐng)假，上班后及早補(bǔ)辦請(qǐng)假手續(xù)；（6）一次遲到或早退20分鐘以上的，應(yīng)辦理請(qǐng)假手續(xù)，否則以曠工論處（7）未履行 請(qǐng)假、續(xù)假、補(bǔ)假手續(xù)而擅不到崗者，均以曠工論處；（8）員工因故辭職，應(yīng)提前一個(gè)月向部門(mén)經(jīng)理或主管提交《辭職通知書(shū)》，試用期內(nèi)辭職應(yīng)提前三天書(shū)面通知；（9）員工辭職由部門(mén)經(jīng)理或主管批準(zhǔn)，辭職獲準(zhǔn)后，憑人事行政部簽發(fā)的《離職通知書(shū)》辦理移交手續(xù)。

第21條 員工必須遵守如下工作守則和職業(yè)道德：

（1）進(jìn)入或逗留廠區(qū)，必須按規(guī)定佩戴廠證和穿著工作服；

（2）服從公司的正常調(diào)動(dòng)和工作安排；

（3）嚴(yán)格遵守公司的各項(xiàng)規(guī)章制度、安全生產(chǎn)操作規(guī)程和崗位責(zé)任制；

（4）工作期間，不消極怠工，不干私活，不串崗，不吃零食，不打鬧嬉戲，不大聲說(shuō)笑、喧嘩，不打瞌睡等；

（5）不隨地吐痰，不亂丟煙頭雜物；

（6）愛(ài)護(hù)公物，小心使用公司機(jī)器設(shè)備、工具、物料，不得盜竊、貪污或故意損壞公司財(cái)物；

（7）節(jié)約用水、用電、用氣，嚴(yán)禁浪費(fèi)公物和公物私用；

（8）不得無(wú)理取鬧、打架斗毆、造謠生事；

（9）關(guān)心公司，維護(hù)公司形象，敢于同有損公司形象和利益的行為作斗爭(zhēng)。

（10）上班時(shí)間一到即刻開(kāi)始工作，下班之后無(wú)特別事務(wù)不得逗留；

（11）上班時(shí)間原則上不準(zhǔn)會(huì)客和打私人電話，因故而經(jīng)部 門(mén)經(jīng)理或主管許可的除外；

（12）遵守公司的保密制度，不得泄露公司的商業(yè)秘密。

第24條 員工必須遵守如下安全守則和操作規(guī)程：

（1）生產(chǎn)主管和領(lǐng)班要做好機(jī)器設(shè)備的保養(yǎng)、維修和用前檢查工作，在確保機(jī)器設(shè)備可安全使用后，方可投入使用；

（2）操作機(jī)器設(shè)備時(shí)，必須嚴(yán)格遵守技術(shù)操作規(guī)程，保證產(chǎn)品質(zhì)量，維護(hù)設(shè)備安全及保障人身的安全；

（3）設(shè)備使用過(guò)程中，如發(fā)現(xiàn)有異常情況，操作工應(yīng)及時(shí)告知領(lǐng)班和相關(guān)技術(shù)人員處理，不得擅自盲目動(dòng)作；

（4）發(fā)現(xiàn)直接危及人身安全的緊急情況，要立即采取應(yīng)急措施，并及時(shí)將情況向領(lǐng)班、部門(mén)主管或部門(mén)經(jīng)理報(bào)告；

（5）工作場(chǎng)所和倉(cāng)庫(kù)的消防通道，必須經(jīng)常保持暢通，不得放置任何物品；

（6）對(duì)消防設(shè)備、衛(wèi)生設(shè)備及其他危險(xiǎn)防止設(shè)備，不得有隨意移動(dòng)、撤走及減損其效力的行為；

（7）、維修機(jī)器、電器、電線必須關(guān)閉電源或關(guān)機(jī)，并由相關(guān)技術(shù)人員或電工負(fù)責(zé)作業(yè)；

（8）非機(jī)械設(shè)備的操作人員，不得隨意操作機(jī)械設(shè)備；

（9）危險(xiǎn)物品必須按規(guī)定放置在安全的地方，不得隨意亂放；

（10）車(chē)間和倉(cāng)庫(kù)嚴(yán)禁吸煙，吸煙要在指定場(chǎng)所，并充分注意煙火。

（11）嚴(yán)禁攜帶易燃易爆、有毒有害的危險(xiǎn)物品進(jìn)入公司；

（12）收工時(shí)要整理機(jī)械、器具、物料及文件等，確認(rèn)火、電、氣的安全，關(guān)好門(mén)窗、上好門(mén)鎖。第六章 獎(jiǎng)勵(lì)與懲罰

第22條 為增強(qiáng)職工責(zé)任感，調(diào)動(dòng)職工積極性和創(chuàng)造性，提高勞動(dòng)生產(chǎn)率和工作效率，企業(yè)對(duì)表現(xiàn)優(yōu)秀、成績(jī)突出的職工實(shí)行獎(jiǎng)勵(lì)制度。獎(jiǎng)勵(lì)分為表?yè)P(yáng)、晉升、獎(jiǎng)金三種。

第23條 職工品行端正，工作努力，忠于職守、遵規(guī)守紀(jì)，關(guān)心企業(yè)，服從安排，成為職工楷模者，給予通報(bào)表?yè)P(yáng)。

第24條 對(duì)有下列事跡之一的職工，除給予通報(bào)表?yè)P(yáng)外，另給予晉升、獎(jiǎng)金的獎(jiǎng)勵(lì)：（1）對(duì)于生產(chǎn)技術(shù)或管理制度，提出具體方案，經(jīng)執(zhí)行確有成效，能提高企業(yè)經(jīng)濟(jì)效益，對(duì)企業(yè)貢獻(xiàn)較大的；（2）節(jié)約物料，或?qū)U料利用具有成效，能提高企業(yè)經(jīng)濟(jì)效益，對(duì)企業(yè)貢獻(xiàn)較大的；（3）遇有災(zāi)情，勇于負(fù)責(zé)，奮不顧身，處置得當(dāng)，極力搶救，使企業(yè)利益免受重大損失的；（4）敢于同壞人、壞事作斗爭(zhēng)，舉報(bào)損害企業(yè)利益行為，使企業(yè)避免重大損失的；（5）其他應(yīng)當(dāng)給予獎(jiǎng)勵(lì)的。

第25條 為維護(hù)正常的生產(chǎn)秩序和工作秩序，嚴(yán)肅廠規(guī)廠紀(jì)，公司對(duì)違規(guī)違紀(jì)員工實(shí)行懲罰制度。

懲罰分為：警告、記過(guò)、罰款、解除勞動(dòng)合同四種。第26條 員工有下列情形之一，經(jīng)查證屬實(shí)，批評(píng)教育無(wú)效的，7 第一次口頭警告，第二次以后每次書(shū)面警告1次，并罰款20至50元；每警告2次記過(guò)1次；一個(gè)月內(nèi)被記過(guò)3次以上或一年內(nèi)被記過(guò)6次以上的，屬于嚴(yán)重違反企業(yè)規(guī)章制，予以解除勞動(dòng)合同：

（1）委托他人打卡或代替他人打卡的；

（2）無(wú)正當(dāng)理由經(jīng)常遲到或早退（每次3分鐘以上）的；

（3）不戴廠證或不穿廠服進(jìn)入廠區(qū)的；

（4）擅離職守或串崗的（5）消極怠工，上班干私活的；

（6）隨地吐痰或亂丟垃圾，污染環(huán)境衛(wèi)生的；

（7）未經(jīng)批準(zhǔn)，上班時(shí)間會(huì)客或打私人電話的；

（8）下班后不按規(guī)定關(guān)燈、關(guān)電、關(guān)水、關(guān)氣、關(guān)窗、鎖門(mén)的；

（9）未經(jīng)許可擅帶外人入廠參觀的；

（10）隨意移動(dòng)消防設(shè)備或亂放物品，阻塞消防通道的；

（11）違反公司規(guī)定攜帶物品進(jìn)出廠區(qū)的；

（12）工作時(shí)間，與別人閑聊、打鬧嬉戲、大聲喧嘩的；

（13）工作時(shí)間打瞌睡的；

（14）對(duì)客戶的態(tài)度惡劣的；

（15）有其他與上述情形情節(jié)相當(dāng)?shù)那樾蔚摹?/p>

第27條 員工有下列情形之一，經(jīng)查證屬實(shí)，批評(píng)教育無(wú)效的，每次記過(guò)1次，并罰款50至100元；一個(gè)月內(nèi)被記過(guò)3次以上 或一年內(nèi)被記過(guò)6次以上的，屬于嚴(yán)重違反企業(yè)規(guī)章制，予以解除勞動(dòng)合同：

（1）無(wú)正當(dāng)理由不服從公司正常調(diào)動(dòng)或上司的工作安排的；

（2）無(wú)理取鬧，打架斗毆，影響公司生產(chǎn)秩序和員工生活秩序的；

（3）上班時(shí)間打牌、下棋的；

（4）在宿舍私接電源或使用電爐的；

（5）私自調(diào)換床位或留宿外人的；

（6）浪費(fèi)公司財(cái)物或公物私用的；

（7）非機(jī)械設(shè)備的操作者，隨意操作機(jī)械設(shè)備的；（8）攜帶危險(xiǎn)物品入廠的；

（9）在禁煙區(qū)吸煙的；

（10）有其他與上述情形情節(jié)相當(dāng)?shù)那樾蔚摹?/p>

第28條 員工有下列情形之一，經(jīng)查證屬實(shí)，批評(píng)教育無(wú)效的，屬于嚴(yán)重違反企業(yè)規(guī)章制，予以解除勞動(dòng)合同：

（1）一個(gè)月內(nèi)累計(jì)曠工超過(guò) 日或者一年內(nèi)累計(jì)曠工超過(guò) 日的；

（2）提供與錄用有關(guān)的虛假證書(shū)或勞動(dòng)關(guān)系狀況證明，騙取公司錄用的；

（3）違反操作規(guī)程，損壞機(jī)器設(shè)備、工具，浪費(fèi)原材料，造成公司經(jīng)濟(jì)損失 元以上的；

（4）盜竊、貪污、侵占或故意損壞公司財(cái)物，造成公司經(jīng) 濟(jì)損失 元以上的；

（5）違反公司保密制度，泄露公司商業(yè)秘密，造成公司經(jīng)濟(jì)損失 元以上的；

（6）在異性宿舍與異性員工同宿的；

（7）利用工作或職務(wù)便利，收受賄賂而使公司利益受損的；

（8）有其他與上述情形情節(jié)相當(dāng)?shù)那樾蔚摹?/p>

第29 條：職工違規(guī)違紀(jì)對(duì)企業(yè)造成經(jīng)濟(jì)損失，除按規(guī)定處罰外，還應(yīng)賠償相應(yīng)經(jīng)濟(jì)損失。

第30條 對(duì)職工的違紀(jì)處理，由違紀(jì)職工所在的車(chē)間主任根據(jù)本規(guī)章制度相關(guān)條款提出書(shū)面處理意見(jiàn)，并提交人事部門(mén)，再由人事部門(mén)提交總經(jīng)理室審批。經(jīng)批準(zhǔn)后，由人事部門(mén)向違紀(jì)職工送達(dá)處理決定書(shū)，處理決定必須包括職工違紀(jì)事實(shí)、違紀(jì)證據(jù)、處理原因、處理依據(jù)、處理結(jié)果等五項(xiàng)內(nèi)容。整個(gè)處理過(guò)程不得超過(guò)30日。

第31條 職工對(duì)企業(yè)處理不服的，享有申訴權(quán)利。申訴程序：第一步向車(chē)間主任申辯事實(shí)與理由；第二步對(duì)車(chē)間主任再次處理不服的，向人事部門(mén)申辯事實(shí)與理由；第三步對(duì)人事部門(mén)再次處理不服的，向總經(jīng)理室申辨事實(shí)與理由，總經(jīng)理室作出的再次處理決定為本企業(yè)最終處理決定。第七章 保密制度與競(jìng)業(yè)限制

第32條 為了維護(hù)企業(yè)利益，保護(hù)企業(yè)的商業(yè)秘密，特制訂本保 密制度，企業(yè)全體職工必須嚴(yán)格遵守。

第33條 本規(guī)定所稱的商業(yè)秘密是指不為公眾所知悉，能為企業(yè)帶來(lái)經(jīng)濟(jì)利益，具有實(shí)用性并經(jīng)企業(yè)采取保密措施的技術(shù)信息和經(jīng)營(yíng)信息，以及企業(yè)依法律規(guī)定或者有關(guān)協(xié)議的約定，對(duì)外承擔(dān)保密義務(wù)的事項(xiàng)。

第34條 可能成為企業(yè)商業(yè)秘密的技術(shù)信息包括技術(shù)方案、工程設(shè)計(jì)、制造方法、配方、工藝流程、技術(shù)指標(biāo)、計(jì)算機(jī)軟件、實(shí)驗(yàn)數(shù)據(jù)、實(shí)驗(yàn)結(jié)果、圖紙、樣品、模型、模具、技術(shù)文檔、操作手冊(cè)等等。

第35條 可能成為企業(yè)商業(yè)秘密的經(jīng)營(yíng)信息包括客戶名單、客戶訂單、營(yíng)銷(xiāo)計(jì)劃、采購(gòu)資料、財(cái)務(wù)資料、進(jìn)貨渠道、產(chǎn)銷(xiāo)策略、經(jīng)營(yíng)目標(biāo)、經(jīng)營(yíng)項(xiàng)目、管理訣竅、貨源情報(bào)、內(nèi)部文件、會(huì)議紀(jì)要、經(jīng)濟(jì)合同、合作協(xié)議等等。

第36條 嚴(yán)格遵守企業(yè)秘密文件、資料、檔案的登記、借用和保密制度，秘密文件應(yīng)存放在有保密設(shè)施的文件柜中，借用秘密文件、資料、檔案須經(jīng)總經(jīng)理或辦公室主任批準(zhǔn)；不得在公共場(chǎng)所談?wù)撈髽I(yè)秘密事項(xiàng)和交接秘密文件。

第37條 秘密文件、資料、檔案不得私自復(fù)印、摘錄和外傳。因工作需要復(fù)印時(shí)，應(yīng)按有關(guān)規(guī)定經(jīng)總經(jīng)理或辦公室主任批準(zhǔn)。第38條 職工調(diào)職或離職時(shí)，必須將自己保管的秘密文件、資料、電子資料、檔案或其他東西，按規(guī)定移交給企業(yè)總經(jīng)理或辦公室 主任，不得隨意移交給其他人員。未辦移交或者移交不清的，公司可以暫不予結(jié)算最后的工資。

第39條 企業(yè)根據(jù)實(shí)際情況和需要，與知悉或可能知悉企業(yè)商業(yè)秘密的職工另行簽訂《保密協(xié)議》，協(xié)議內(nèi)容包括保密的內(nèi)容、范圍、權(quán)利、義務(wù)、期限、保密費(fèi)和違約責(zé)任等事項(xiàng)。第57條 未經(jīng)企業(yè)同意，職工在職期間不得自營(yíng)或者為他人經(jīng)營(yíng)與企業(yè)同類的營(yíng)業(yè)。

第40條 企業(yè)根據(jù)實(shí)際情況和需要，與知悉或可能知悉企業(yè)商業(yè)秘密的職工另行簽訂《競(jìng)業(yè)限制協(xié)議》，約定職工從離開(kāi)企業(yè)后的一定期限和一定范圍內(nèi)，不得在生產(chǎn)同類且有競(jìng)爭(zhēng)關(guān)系的產(chǎn)品的其他企業(yè)內(nèi)任職。，本規(guī)定與現(xiàn)行勞動(dòng)法律、法規(guī)、規(guī)章有抵觸的，以現(xiàn)行勞動(dòng)法律、法規(guī)、規(guī)章的規(guī)定為準(zhǔn)。第41條 本規(guī)章制度未盡事宜，另行規(guī)定。

第42條 本規(guī)章制度已由職工代表大會(huì)（或全體職工）討論和審議通過(guò)，并張榜公布。

第43條 本規(guī)章制度自 年 月 日生效。

（單位公章）

年 月 日