libsvm java版本使用心得（转）

http://blog.csdn.net/u010340854/article/details/19159883

https://github.com/cjlin1/libsvm

项目中要用到svm分类器，自己实现的话太费时间，于是寻找开源实现，找到了libsvm。

Java版本是一个jar包，引入到工程中即可使用。

需要注意的是，java版本充满了c++风格（类名小写，命名使用下划线_分隔等等），使用者需要稍微适应一下。

核心类是svm类，最常用的几个方法如下(都是static方法)：

svm.svm_load_model(String)，望文生义即可知是加载已训练好的svm模型，参数是模型文件名。

svm.svm_save_model(String,svm_model)，按指定的名称保存模型。

svm.svm_train(svm_problem，svm_parameter)，训练模型，该方法有两个参数svm_problem，保存了训练数据，包括数据数，特征数组，类别数组。参数svm_parameter用户设置svm的一些参数，例如svm_type设置svm类型，kernel_type设置核函数类型等。训练时需要注意的是，如果你的训练数据比较多，训练时间可能很长。

svm.svm_predict(svm_model,svm_node[])和svm.svm_p

redict_probability(svm_model,svm_node[],double[])，都用于预测类别，不同的是后一个方法同时包含了预测类别的概率。

下面给出完整的demo:

public class Test_svm_predict {

    public static void main(String[] args) {
        svm_problem sp = new svm_problem();
        svm_node[][] x = new svm_node[4][2];
        for (int i = 0; i < 4; i++) {
            for (int j = 0; j < 2; j++) {
                x[i][j] = new svm_node();
            }
        }
        x[0][0].index = 1;
        x[0][0].value = 0;
        x[0][1].index = 2;
        x[0][1].value = 0;

        x[1][0].index = 1;
        x[1][0].value = 1;
        x[1][1].index = 2;
        x[1][1].value = 1;

        x[2][0].index = 1;
        x[2][0].value = 0;
        x[2][1].index = 2;
        x[2][1].value = 1;

        x[3][0].index = 1;
        x[3][0].value = 1;
        x[3][1].value = 0;
        x[3][1].index = 2;


        double[] labels = new double[]{-1,-1,1,1};
        sp.x = x;
        sp.y = labels;
        sp.l = 4;
        svm_parameter prm = new svm_parameter();
        prm.svm_type = svm_parameter.C_SVC;
        prm.kernel_type = svm_parameter.RBF;
        prm.C = 1000;
        prm.eps = 0.0000001;
        prm.gamma = 10;
        prm.probability = 1;
        prm.cache_size=1024;
        /*
         * svm_check_parameter
         * 参数可行返回null，否则返回错误信息
         */
        System.out.println("Param Check " + (svm.svm_check_parameter(sp, prm)==null));
        svm_model model = svm.svm_train(sp, prm);           //训练分类
        try {
            svm.svm_save_model("svm_model_file", model);
        } catch (IOException e) {
            e.printStackTrace();
        }

        try {
            svm.svm_load_model("svm_model_file");
        } catch (IOException e) {
            e.printStackTrace();
        }
        svm_node[] test = new svm_node[]{new svm_node(), new svm_node()};
        test[0].index = 1;
        test[0].value = 0;
        test[1].index = 2;
        test[1].value = 0;
        double[] l = new double[2];
        double result_prob = svm.svm_predict_probability(model, test,l);        //测试1，带预测概率的分类测试
        double result_normal = svm.svm_predict(model, test);    //测试2 不带概率的分类测试
        System.out.println("Result with prob " + result_prob);
        System.out.println("Result normal " + result_normal);
        System.out.println("Probability " + l[0] + "	" + l[1]);
    }
}