LibSVM在Java中的简单应用

一、简介

JAVA-ML中封装了java开源支持向量机的库。LibSVM是台湾林智仁(Chih-Jen Lin)教授2001年开发的一套支持向量机的库，这套库运算速度还是挺快的，可以很方便的对数据做分类或回归。由于LibSVM程序小，运用灵活，输入参数少，并且是开源的，易于扩展，因此成为目前国内应用最多的SVM的库。

经过Java-ML项目使得LibSVM更易使用，避免了一些不必要参数的输入。

二、准备工作

1.LibSVM获取

https://www.csie.ntu.edu.tw/~cjlin/

2.文件目录

我这采用java进行，所以需要用到的是java，目录如下

3. 导入项目

将java目录导入项目

4. 数据准备

1. 打开libsvm文件下的windows文件里面的svm-toy.exe程序运行

2. 进行手工绘制数据并保存数据
   

3. 我的文件名为mode.txt

三、训练及预测

1. 训练

1. 代码

 String filepath = "I:\\IOT\\project\\SVM\\src\\file\\";//自己选择路径

        //train
        String[] arg = {"-s","0","-c","10","-t","0",filepath+"model.txt",filepath+"line.txt"};
        System.out.println("----------------线性-----------------");
        //训练函数
        svm_train.main(arg);

        arg[5]="1";
        arg[7]=filepath+"poly.txt";//输出文件路径
        System.out.println("---------------多项式-----------------");
        svm_train.main(arg);

        arg[5]="2";
        arg[7]=filepath+"RBF.txt";
        System.out.println("---------------高斯核-----------------");
        svm_train.main(arg);

说明：

svm-train
用法： svmtrain [options] training_set_file [model_file]
options为操作参数
-s 设置svm类型：默认值为0
0 – C-SVC
1 – v-SVC
2 – one-class-SVM
3 –ε-SVR
4 – n - SVR
-t 设置核函数类型，默认值为2
0 --线性核：u’v
1 --多项式核：(gu’v+coef0)degree
2 – RBF核：exp(-γ||u-v||2)
3 – sigmoid核：tanh(γ*u’*v+coef0)
-d degree:设置多项式核中degree的值，默认为3
-gγ:设置核函数中γ的值，默认为1/k，k为特征（或者说是属性）数；
-r coef 0:设置核函数中的coef 0，默认值为0；
-c cost：设置C-SVC、ε-SVR、n - SVR中从惩罚系数C，默认值为1；
-n v：设置v-SVC、one-class-SVM与n - SVR中参数n，默认值0.5；
-pε：设置v-SVR的损失函数中的e，默认值为0.1；
-m cachesize：设置cache内存大小，以MB为单位，默认值为40；
-eε：设置终止准则中的可容忍偏差，默认值为0.001；
-h shrinking：是否使用启发式，可选值为0或1，默认值为1；
-b概率估计：是否计算SVC或SVR的概率估计，可选值0或1，默认0；
-wi weight：对各类样本的惩罚系数C加权，默认值为1；
-v n：n折交叉验证模式；
model_file：可选项，为要保存的结果文件，称为模型文件，以便在预测时使用。
为了能保存结果，还是要提供一个结果文件名如line.txt，poly.txt，RBF.txt

2. 结果
   

说明：

#iter为迭代次数，
nu 与前面的操作参数-n nu 相同，
obj为SVM文件转换为的二次规划求解得到的最小值，
rho 为判决函数的常数项b，
nSV 为支持向量个数，
nBSV为边界上的支持向量个数，
Total nSV为支持向量总个数。

3. 生成的模型

结果文件中数据以RBF核为例

说明：

svm_type c_svc % 训练所采用的svm类型，此处为C- SVC
kernel_type rbf %训练采用的核函数类型，此处为RBF核
gamma 0.0769231 %设置核函数中的g ，默认值为1/ k
nr_class 2 %分类时的类别数，此处为两分类问题
total_sv 132 %总共的支持向量个数
rho 0.424462 %决策函数中的常数项b
label 1 -1%类别标签
nr_sv 64 68 %各类别标签对应的支持向量个数
SV %以下为支持向量

2. 预测

1. 准备测试集
   

上面的数据是和训练数据属于同一类型的，即已经知道类别，通过将其作为模拟的待预测数据来验证分类模型的准确度。
2. 代码

String filepath = "I:\\IOT\\project\\SVM\\src\\file\\";//自己选择路径
//predict
        String[] arg1={filepath+"test.txt",filepath+"line.txt",filepath+"line_res.txt"};
        System.out.println("----------------线性-----------------");
        //预测函数
        svm_predict.main(arg1);

        arg1[1]=filepath+"poly.txt"; //输入文件模型路径
        arg1[2]=filepath+"poly-res.txt";//输出文件结果路径
        System.out.println("---------------多项式-----------------");
        svm_predict.main(arg1);

        arg1[1]=filepath+"RBF.txt";
        arg1[2]=filepath+"RBF_res.txt";
        System.out.println("---------------高斯核-----------------");
        svm_predict.main(arg1);

说明：

svm-predict的用法
svm-predict是根据训练获得的模型，对数据集合进行预测。
用法：svmpredict [options] test_file model_file output_file
其中，options为操作参数，可用的选项即表示的涵义如下所示:
-b probability_estimates——是否需要进行概率估计预测，可选值为0或者1，默认值为0。
model_file ——是由svmtrain产生的模型文件；
test_file——是要进行预测的数据文件，格式也要符合libsvm格式，即使不知道label的值，也要任意填一个，svmpredict会在output_file中给出正确的label结果，如果知道label的值，就会输出正确率；
output_file ——是svmpredict的输出文件，表示预测的结果值。

3. 结果
   

结果文件以line_res.txt为例

四、参考

https://blog.csdn.net/chl033/article/details/4645544
https://blog.csdn.net/taohuaxinmu123/article/details/20370525