Java语言实现支持向量机 (Support Vector Machine, SVM)算法

实现支持向量机（SVM）算法的Java代码通常包括以下几个步骤：数据预处理、训练模型、预测和评估。以下是一个简单的实现示例，使用LibSVM库来简化SVM的实现。

首先，确保你已经将LibSVM库添加到你的Java项目中。你可以从 LibSVM的官方网站 下载并包含相关的.jar文件。

示例代码

import libsvm.*;

public class SVMExample {
    public static void main(String[] args) {
        // 创建训练数据
        double[][] data = {
            {1, 1},
            {2, 2},
            {1, 2},
            {2, 1},
            {3, 3},
            {4, 4}
        };
        
        double[] labels = {1, 1, 1, 1, -1, -1}; // 类别标签

        // 将训练数据转换为LibSVM格式
        int dataCount = data.length;
        svm_node[][] svmNodes = new svm_node[dataCount][2];
        for (int i = 0; i < dataCount; i++) {
            svmNodes[i][0] = new svm_node();
            svmNodes[i][0].index = 1;
            svmNodes[i][0].value = data[i][0];

            svmNodes[i][1] = new svm_node();
            svmNodes[i][1].index = 2;
            svmNodes[i][1].value = data[i][1];
        }

        // 设置SVM参数
        svm_problem problem = new svm_problem();
        problem.l = dataCount;
        problem.x = svmNodes;
        problem.y = labels;

        svm_parameter parameter = new svm_parameter();
        parameter.svm_type = svm_parameter.C_SVC;
        parameter.kernel_type = svm_parameter.LINEAR;
        parameter.C = 1;

        // 训练SVM模型
        svm_model model = svm.svm_train(problem, parameter);

        // 测试数据
        double[] testData = {1.5, 1.5};
        svm_node[] testNode = new svm_node[2];
        testNode[0] = new svm_node();
        testNode[0].index = 1;
        testNode[0].value = testData[0];

        testNode[1] = new svm_node();
        testNode[1].index = 2;
        testNode[1].value = testData[1];

        // 预测
        double predictedLabel = svm.svm_predict(model, testNode);
        System.out.println("Predicted label: " + predictedLabel);
    }
}

说明

1. 数据准备：定义训练数据和对应的标签。
2. LibSVM格式转换：LibSVM要求输入数据以特定的格式传入。
3. 参数设置：设置SVM的参数，比如类型和核函数。
4. 训练模型：使用训练数据和参数训练SVM模型。
5. 预测：使用训练好的模型对新数据进行预测。

依赖

确保你将libsvm.jar添加到项目的构建路径中。

注意

• 该示例使用了线性核函数，可以根据需要选择其他核函数（如RBF）。
• 实际应用中，通常需要对数据进行归一化处理。
• 可以根据需要实现交叉验证和模型评估。