LibSVM工具实现决策树训练
前言
本次实验需要下载LibSVM,可去此处下载https://www.csie.ntu.edu.tw/~cjlin/libsvm/
一、制作鸢尾花数据集
下载解压后,进入windows文件夹,点击svm-toy.exe
打开后,使用鼠标左键多次点击左上部分,然后选择下面的change。
之后再多次点击右下部份,然后点击save,保存为xunlian.txt
接着,我们继续再原有的基础上多添加一点,保存为test.txt
二、利用上述数据集实现模型训练
1.新建项目准备
1.在IDEA中新建JAVA项目,并将libsym的java文件中的libsvm中所有的文件都拷贝到项目的src中
- 新建包test,将java文件夹下的如图四个文件拷贝进去,并创建test类
- 在test中添加如下代码
package test;
import java.io.IOException;
public class test {
public static void main(String args[]) throws IOException {
//存放数据以及保存模型文件路径
String filepath = "D:\\Libsvm\\baocun";
/*
* -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
* 1 --多项式核
* 2 -- RBF核
* 3 -- sigmoid核
*
* -d degree:设置多项式核中degree的值,默认为3
*
* -c cost:设置C-SVC、ε-SVR、n - SVR中从惩罚系数C,默认值为1;
*/
String[] arg = {"-s","0","-c","10","-t","0",filepath+"train.txt",filepath+"line.txt"};
String[] arg1 = {filepath+"test.txt",filepath+"line.txt",filepath+"predict1.txt"};
System.out.println("----------------线性-----------------");
//训练函数
svm_train.main(arg);
svm_predict.main(arg1);
arg[5]="1";
arg[7]=filepath+"poly.txt";//输出文件路径
arg1[1]=filepath+"poly.txt";
arg1[2]=filepath+"predict2.txt";
System.out.println("---------------多项式-----------------");
svm_train.main(arg);
svm_predict.main(arg1);
arg[5]="2";
arg[7]=filepath+"RBF.txt";
arg1[1]=filepath+"RBF.txt";
arg1[2]=filepath+"predict3.txt";
System.out.println("---------------高斯核-----------------");
svm_train.main(arg);
svm_predict.main(arg1);
}
}
2.运行项目
- 运行项目后得到如下的结果
- 结果分析
optimization finished,#iter = 37 //37表示迭代次数,
nu = 0.2535211267605634 //核函数的参数
obj是SVM转换为的二次规划求解得到的最小值对偶题的最优目标值
rho是决策函数 //sgn(w^x-rho)中的偏差项(也是b,wx+b)。
nSV = 19, nBSV = 17 //nSV是支持向量的个数,nBSV是边界上支持向量的个数
Total nSV = 19 //支持向量的总的个数
Accuracy = 90.990990990991% (101/111) (classification) //精度
3.所生成的文件
在我们保存数据集的地方可以找到生成的文件
-
line(线性)
-
poly(多项式)
-
RBF(高斯核)
文件中包含了上述输出参数以及所有支持向量的数据。
总结
本次实验关于具体的决策函数公式暂未得到
参考文章
https://blog.csdn.net/qq_45659777/article/details/121320835?spm=1001.2014.3001.5501