1.在eclipse上安装libsvm
下载libsvm压缩包解压到本地目录，下载地址http://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html
如图：
2.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。
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。
3.编写libSvm基本代码实例
package SVM; 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 = 176.0; svm_node pa1 = new svm_node(); pa1.index = 1; pa1.value = 70.0; svm_node pb0 = new svm_node(); pb0.index = 0; pb0.value = 180.0; svm_node pb1 = new svm_node(); pb1.index = 1; pb1.value = 80.0; svm_node pc0 = new svm_node(); pb0.index = 0; pb0.value = 161.0; svm_node pc1 = new svm_node(); pb1.index = 1; pb1.value = 45.0; svm_node pd0 = new svm_node(); pb0.index = 0; pb0.value = 163.0; svm_node pd1 = new svm_node(); pb1.index = 1; pb1.value = 47.0; svm_node[] pa = {pa0, pa1}; //点a svm_node[] pb = {pb0, pb1}; //点b svm_node[] pc = {pc0, pc1}; //点c svm_node[] pd = {pd0, pd1}; //点d svm_node[][] datas = {pa, pb,pc,pd}; //训练集的向量表 double[] lables = {1.0,1.0,2.0,2.0}; //a,b 对应的lable //定义svm_problem对象 svm_problem problem = new svm_problem(); problem.l = 4; //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 pe0 = new svm_node(); pc0.index = 0; pc0.value = 165.0; svm_node pe1 = new svm_node(); pc1.index = 1; pc1.value = 50.0; svm_node[] pe = {pe0, pe1}; //预测测试数据的lable System.out.println(svm.svm_predict(model, pe)); } }
代码说明以及简单的svm介绍如下：
1.libSvm可以用来分类，大概的原理是先使用svm对已经知道的数据进行训练得出训练模型，然后通过训练模型对要分析的数据进行预测，得出分类。
2.例子：
一个班级里面有两个男生（男生1、男生2），两个女生（女生1、女生2），其中
男生1 身高：176cm 体重：70kg；
男生2 身高：180cm 体重：80kg；
女生1 身高：161cm 体重：45kg；
女生2 身高：163cm 体重：47kg；
这些是已经知道的数据，使用这些数据建立训练模型，通过训练模型可以通过给出的身高和体重分类是男生还是女生
1） 先建立训练模型
数据格式为：
<lable1> 1:特征1 2：特征2 3：特征3 ...
<lable2> 1:特征1 2：特征2 3：特征3 ...
以下建立班级男女生训练数据：
1：代表男生 2：代表女生 ------------------------------------------此为标签
数据：
Label index1:value1 index2:value2
1 1:176 2:70
1 1:180 2:80
2 1:161 2:45
2 1:163 2:47
开始训练：使用libsvm的函数svm.svm_train
2） 测试数据
如进来了一个数据165 50
使用libSvm自带的函数svm_predict来预测
3） 输出结果为
null
*
- optimization finished, #iter = 1
nu = 3.474876641879213E-5
- obj = -6.949753283758427E-5, rho = 1.0
nSV = 2, nBSV = 0
Total nSV = 2
2.0
其中：
Null表示输入参数正确
#iter为迭代次数
nu是你选择的核函数类型的参数
- obj为SVM文件转换为的二次规划求解得到的最小值
rho为判决函数的偏置项b
nSV为标准支持向量个数(0<a[i]<c)
nBSV为边界上的支持向量个数(a[i]=c)
Total nSV为支持向量总个数（对于两类来说，因为只有一个分类模型Total nSV = nSV，但是对于多类，这个是各个分类模型的nSV之和）
2.0表示预测身高165，体重50kg的是女生