eclipse + libsvm-3.12 用SVM实现简单线性分类
0. 下载libsvm压缩包解压到本地目录（from：http://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html）
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
3. 参考贴
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
选择libsvm-3.12下java目录，一路OK。
测试代码如下：
1 import libsvm.svm; 2 import libsvm.svm_model; 3 import libsvm.svm_node; 4 import libsvm.svm_parameter; 5 import libsvm.svm_problem; 6 7 public class jmain { 8 9 /** 10 * @param args 11 */ 12 public 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 29 double[] 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
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。
1. 视频: 一个实例搞定libsvm分类《Learn SVM Step by Step》by faruto
2. 如何使用libsvm进行分类
3. Felomeng翻译：libsvm2.88之函数库的使用
