matlab中libsvm线性分类,eclipse + libsvm-3.12 用SVM实现简单线性分类

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######

—————————————————————————————————#####

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。

Paste_Image.png

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

Paste_Image.png

选择libsvm-3.12下java目录，一路OK。

Paste_Image.png

—————————————————————————————————#####

二、代码部分

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。