eclipse + libsvm-3.12 用SVM实现简单线性分类

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
3. 参考贴

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。



　　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



　　选择libsvm-3.12下java目录，一路OK。



[Go Top]

二. 编写测试代码，使用libsvm函数进行分类预测

　　测试代码如下：

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。

[Go Top]

参考贴：

　　1. 视频: 一个实例搞定libsvm分类《Learn SVM Step by Step》by faruto
　　2. 如何使用libsvm进行分类
　　3. Felomeng翻译：libsvm2.88之函数库的使用

[Go Top]