eclipse + libsvm-3.12 用SVM實現簡單線性分類

0. 下載libsvm壓縮包解壓到本地目錄（from：http://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html）
1. 建立JAVA工程，匯入libsvm包及其源碼
2. 編寫測試代碼，使用libsvm函數進行分類預測
3. 參考貼

一、建立JAVA工程，匯入libsvm包及其源碼。

　　1. 建立JAVA工程及主函數main後，右鍵工程=>build path=>configure build path，Java Build Path>Libraries>Add External JARs，匯入libsvm.jar。

　　2. 關聯libsvm源碼（方便以後查看源碼）：點開libsvm.jar=>Source attachment:(None)=>Edit，External location=>External Folder

　　選擇libsvm-3.12下java目錄，一路OK。

[Go Top]

二. 編寫測試代碼，使用libsvm函數進行分類預測

　　測試代碼如下：

 1 import libsvm.svm; 2 import libsvm.svm_model; 3 import libsvm.svm_node; 4 import libsvm.svm_parameter; 5 import libsvm.svm_problem; 6  7 public class jmain { 8  9     /**10      * @param args11      */12     public static void main(String[] args) {13         //定義訓練集點a{10.0, 10.0} 和 點b{-10.0, -10.0}，對應lable為{1.0, -1.0}14         svm_node pa0 = new svm_node();15         pa0.index = 0;16         pa0.value = 10.0;17         svm_node pa1 = new svm_node();18         pa1.index = -1;19         pa1.value = 10.0;20         svm_node pb0 = new svm_node();21         pb0.index = 0;22         pb0.value = -10.0;23         svm_node pb1 = new svm_node();24         pb1.index = 0;25         pb1.value = -10.0;26         svm_node[] pa = {pa0, pa1}; //點a27         svm_node[] pb = {pb0, pb1}; //點b28         svm_node[][] datas = {pa, pb}; //訓練集的向量表29         double[] lables = {1.0, -1.0}; //a,b 對應的lable30         31         //定義svm_problem對象32         svm_problem problem = new svm_problem();33         problem.l = 2; //向量個數34         problem.x = datas; //訓練集向量表35         problem.y = lables; //對應的lable數組36         37         //定義svm_parameter對象38         svm_parameter param = new svm_parameter();39         param.svm_type = svm_parameter.C_SVC;40         param.kernel_type = svm_parameter.LINEAR;41         param.cache_size = 100;42         param.eps = 0.00001;43         param.C = 1;44         45         //訓練SVM分類模型46         System.out.println(svm.svm_check_parameter(problem, param)); //如果參數沒有問題，則svm.svm_check_parameter()函數返回null,否則返回error描述。47         svm_model model = svm.svm_train(problem, param); //svm.svm_train()訓練出SVM分類模型48         49         //定義測試資料點c50         svm_node pc0 = new svm_node();51         pc0.index = 0;52         pc0.value = -0.1;53         svm_node pc1 = new svm_node();54         pc1.index = -1;55         pc1.value = 0.0;56         svm_node[] pc = {pc0, pc1};57         58         //預測測試資料的lable59         System.out.println(svm.svm_predict(model, pc));60     }61 }

　　運行結果為：

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

　　第一行null是svm.svm_check_parameter(problem, param)的輸出，表示參數設定無誤；最後一行的-1.0表示對c點的預測lable是-1.0。

　　要注意的幾點是：
　　1. 主要用了svm.svm_train()做訓練，用svm.svm_predict()做預測，其中用到了svm_problem、svm_parameter、svm_model、svm_node幾種“結構體”對象。
　　2. svm_node表示的是{向量的分量序號，向量的分量值}，很多疏鬆陣列均用此方法儲存資料，可以節約空間；svm_node[]則表示一個向量，一個向量的最後一個分量的svm_node.index用-1表示；svm_node[][]則表示一組向量，也就是訓練集。

[Go Top]

參考貼：

　　1. 視頻: 一個執行個體搞定libsvm分類《Learn SVM Step by Step》by faruto
　　2. 如何使用libsvm進行分類
　　3. Felomeng翻譯：libsvm2.88之函數庫的使用

[Go Top]