eclipse + libsvm-3.12 用SVM实现简单线性分类

转自：http://www.cnblogs.com/freedomshe/archive/2012/10/09/2717356.html

0. 下载libsvm压缩包解压到本地目录（from：http://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html）

1. 新建JAVA工程，导入libsvm包及其源码######

2.编写测试代码，使用libsvm函数进行分类预测######

—————————————————————————————————#####

一、新建JAVA工程，导入libsvm包及其源码。

1、 新建JAVA工程及主函数main后，右键工程=>build path=>configure build path，Java Build Path>Libraries>Add External JARs，导入libsvm.jar。

Paste_Image.png

2. 关联libsvm源码（方便以后查看源码）：点开libsvm.jar=>Source attachment:(None)=>Edit，External location=>External Folder

Paste_Image.png

选择libsvm-3.12下java目录，一路OK。

Paste_Image.png

—————————————————————————————————#####

二、代码部分

import libsvm.svm;
import libsvm.svm_model;
import libsvm.svm_node;
import libsvm.svm_parameter;
import libsvm.svm_problem;

public class jmain {

    /**
   * @param args
   */
public static void main(String[] args) {
      //定义训练集点a{10.0, 10.0} 和 点b{-10.0, -10.0}，对应lable为{1.0, -1.0}
    svm_node pa0 = new svm_node();
    pa0.index = 0;
    pa0.value = 10.0;
    svm_node pa1 = new svm_node();
    pa1.index = -1;
    pa1.value = 10.0;
    svm_node pb0 = new svm_node();
    pb0.index = 0;
    pb0.value = -10.0;
    svm_node pb1 = new svm_node();
    pb1.index = 0;
    pb1.value = -10.0;
    svm_node[] pa = {pa0, pa1}; //点a
    svm_node[] pb = {pb0, pb1}; //点b
    svm_node[][] datas = {pa, pb}; //训练集的向量表
    double[] lables = {1.0, -1.0}; //a,b 对应的lable
    
    //定义svm_problem对象
    svm_problem problem = new svm_problem();
    problem.l = 2; //向量个数
    problem.x = datas; //训练集向量表
    problem.y = lables; //对应的lable数组
    
    //定义svm_parameter对象
    svm_parameter param = new svm_parameter();
    param.svm_type = svm_parameter.C_SVC;
    param.kernel_type = svm_parameter.LINEAR;
    param.cache_size = 100;
    param.eps = 0.00001;
    param.C = 1;
    
    //训练SVM分类模型
    System.out.println(svm.svm_check_parameter(problem, param)); //如果参数没有问题，则svm.svm_check_parameter()函数返回null,否则返回error描述。
    svm_model model = svm.svm_train(problem, param); //svm.svm_train()训练出SVM分类模型
    
    //定义测试数据点c
    svm_node pc0 = new svm_node();
    pc0.index = 0;
    pc0.value = -0.1;
    svm_node pc1 = new svm_node();
    pc1.index = -1;
    pc1.value = 0.0;
    svm_node[] pc = {pc0, pc1};
    
    //预测测试数据的lable
    System.out.println(svm.svm_predict(model, pc));
  }
}

运行结果为：

null
*
optimization finished, #iter = 1
nu = 0.0033333333333333335
obj = -0.0033333333333333335, rho = 0.0
nSV = 2, nBSV = 0
Total nSV = 2
-1.0

第一行null是svm.svm_check_parameter(problem, param)的输出，表示参数设置无误；最后一行的-1.0表示对c点的预测lable是-1.0。

要注意的几点是：
　　1. 主要用了svm.svm_train()做训练，用svm.svm_predict()做预测，其中用到了svm_problem、svm_parameter、svm_model、svm_node几种“结构体”对象。
　　2. svm_node表示的是{向量的分量序号，向量的分量值}，很多稀疏矩阵均用此方法存储数据，可以节约空间；svm_node[]则表示一个向量，一个向量的最后一个分量的svm_node.index用-1表示；svm_node[][]则表示一组向量，也就是训练集。