SVM系统实现

Eclipse+libsvm用SVM简单线性分类
1. 下载libsvm压缩包解压到本地目录
2.新建Java工程，导入libsvm包及其代码
3. 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。

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
3.选择libsvm-3.12下java目录，一路OK。

二. 编写测试代码，使用libsvm函数进行分类预测
测试代码如下：
1import libsvm.svm;
2import libsvm.svm_model;
3import libsvm.svm_node;
4import libsvm.svm_parameter;
5import libsvm.svm_problem;
6
7public class jmain {
8
9/**
10 * @param args
11*/
12public static void main(String[] args) {
13//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}
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}; //点a
27 svm_node[] pb = {pb0, pb1}; //点b
28 svm_node[][] datas = {pa, pb}; //训练集的向量表
29double[] lables = {1.0, -1.0}; //a,b 对应的lable
30
31//定义svm_problem对象
32 svm_problem problem = new svm_problem();
33 problem.l = 2; //向量个数
34 problem.x = datas; //训练集向量表
35 problem.y = lables; //对应的lable数组
36
37//定义svm_parameter对象
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//训练SVM分类模型
46 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。

47 svm_model model = svm.svm_train(problem, param); //svm.svm_train()训练出SVM分类模型
48
49//定义测试数据点c
50 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//预测测试数据的lable
59 System.out.println(svm.svm_predict(model, pc));
60 }
61 }
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。