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. 新建JAVA工程，導入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、新建JAVA工程，導入libsvm包及其源碼。

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

　　2. 關聯libsvm源碼（方便以后查看源碼）：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：

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}
        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}; //點a
        svm_node[] pb = {pb0, pb1}; //點b
        svm_node[][] datas = {pa, pb}; //訓練集的向量表
        double[] lables = {1.0, -1.0}; //a,b 對應的lable
        
        //定義svm_problem對象
        svm_problem problem = new svm_problem();
        problem.l = 2; //向量個數
        problem.x = datas; //訓練集向量表
        problem.y = lables; //對應的lable數組
        
        //定義svm_parameter對象
        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;
        
        //訓練SVM分類模型
        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。
        svm_model model = svm.svm_train(problem, param); //svm.svm_train()訓練出SVM分類模型
        
        //定義測試數據點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};
        
        //預測測試數據的lable
        System.out.println(svm.svm_predict(model, pc));
    }
}

　　運行結果為：

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)的輸出，表示參數設置無誤；最后一行的-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}，很多稀疏矩陣均用此方法存儲數據，可以節約空間；svm_node[]則表示一個向量，一個向量的最后一個分量的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: 一個實例搞定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]