libsvm java 調用說明

libsvm是著名的SVM開源組件，目前有JAVA.C/C++,.NET 等多個版本，本人使用的是2.9
libsvm命名空間下主要使用類：
svm_model 為模型類，通過訓練或加載訓練好的模型文件獲得
svm_parameter 為參數類，主要為支持向量機設定參數，具體參數如下：
? ? ?svm_parameter.svm_type
? ? ?svm類型：SVM設置類型(默認svm_parameter.C_SVC)
? ? ? ? ? ?svm_parameter.C_SVC -- C-SVC n(n>=2)分類器，允許用異常值懲罰因子C進行不完全分類。
? ? ? ? ? ?svm_parameter.NU_SVC -- ν-SVC n類似然不完全分類的分類器。參數nu取代了c，其值在區間【0，1】中，nu越大，決策邊界越平滑。
? ? ? ? ? ?svm_parameter.ONE_CLASS – 一類SVM 單分類器，所有的訓練數據提取自同一個類里，然後SVM建立了一個分界線以分割該類在特征空間中所占區域和其它類在特 ? ? ? ? ? ? ?征空間中所占區域。
? ? ? ? ? ?svm_parameter.EPSILON_SVR -- ε -SVR 回歸。訓練集中的特征向量和擬合出來的超平面的距離需要小于p。異常值懲罰因子C被采用。
? ? ? ? ? ?svm_parameter.NU_SVR -- ν-SVR 回歸；nu 代替了p
? ? ? ? ? ?svm_parameter.kernel_type
? ? 核函數類型：核函數設置類型(svm_parameter.LINEAR)
? ? ? ? ? svm_parameter.LINEAR – 線性：u'×v - 沒有任何向映射至高維空間，線性區分（或回歸）在原始特征空間中被完成，這是最快的選擇。 d(x,y) = x?y == (x,y)
? ? ? ? ? svm_parameter.POLY– 多項式：(γ×u'×v + coef0)^degree - 多項式核: d(x,y) = (gamma*(x?y)+coef0)degree
? ? ? ? ? svm_parameter.RBF – RBF函數：exp(-γ×|u-v|^2) - 徑向基，對于大多數情況都是一個較好的選擇：d(x,y) = exp(-gamma*|x-y|2)
? ? ? ? ? svm_parameter.SIGMOID – sigmoid：tanh(γ×u'×v + coef0) - sigmoid函數被用作核函數: d(x,y) = tanh(gamma*(x?y)+coef0)
? ? ? ? ? degree, gamma, coef0：都是核函數的參數，具體的參見上面的核函數的方程。
? ? svm_parameter.degree
? ? 核函數中的degree設置(默認3)
? ? ? ? ?svm_parameter.coef0
? ? 核函數中的coef0設置(默認0)
? ? svm_parameter.shrinking
? ? 是否使用啟發式，0或1(默認1)
? ? svm_parameter.nu
? ? 設置ν-SVC，一類SVM和ν- SVR的參數(默認0.5)
? ? svm_parameter.C
? ? 設置C-SVC，ε -SVR和ν-SVR的參數(默認1)
? ? svm_parameter.cache_size
? ? 設置cache內存大小，以MB為單位(默認40)
svm_problem 相當于訓練集合，可講需要訓練的數據加入該類傳遞給訓練器
svm_node 內部使用的數據結構，主要用于保存待訓練數據
svm 主調用程序中我們一般使用以下幾個方法：
? ? ?svm.svm_train(svm_problem,svm_parameter) 該方法返回一個訓練好的svm_model
? ? ?svm.svm_load_model(文件名); 該方法返回一個訓練好的svm_model
? ? ?svm.svm_save_model(文件名,svm_model); 該方法將svm_model保存到文件中
? ? ?svm.svm_predict_values(svm_model,svm_node,double); 該方法返回doule類值，svm_node對svm_model測試，返回值確定了svm_node在模型中的定位

=================================================================================================

LibSVM庫函數的調用

庫函數在"libsvm"包中。

在Java版中以下函數可以調用：

public class svm {

public static final int LIBSVM_VERSION=310;?

public static svm_model svm_train(svm_problem prob, svm_parameter param);

public static void svm_cross_validation(svm_problem prob, svm_parameter param, int nr_fold, double[] target);

public static int svm_get_svm_type(svm_model model);

public static int svm_get_nr_class(svm_model model);

public static void svm_get_labels(svm_model model, int[] label);

public static double svm_get_svr_probability(svm_model model);

public static double svm_predict_values(svm_model model, svm_node[] x, double[] dec_values);

public static double svm_predict(svm_model model, svm_node[] x);

public static double svm_predict_probability(svm_model model, svm_node[] x, double[] prob_estimates);

public static void svm_save_model(String model_file_name, svm_model model) throws IOException

public static svm_model svm_load_model(String model_file_name) throws IOException

public static String svm_check_parameter(svm_problem prob, svm_parameter param);

public static int svm_check_probability_model(svm_model model);

public static void svm_set_print_string_function(svm_print_interface print_func);

}

注意在Java版中svm_node[]的最后一個元素的索引不是-1.

用戶可以自定義自己的輸出格式，通過：

your_print_func = new svm_print_interface()

{?

public void print(String s)

{

// your own format

}

};

svm.svm_set_print_string_function(your_print_func);

====================================================================================================

?

?

LIBSVM使用的一般步驟是：?
1）?按照LIBSVM軟件包所要求的格式準備數據集；?

2）?對數據進行簡單的縮放操作；?

3）?考慮選用RBF核函數

4）?采用交叉驗證選擇最佳參數C與γ；

5） 采用最佳參數C與γ對整個訓練集進行訓練獲取支持向量機模型； 6） 利用獲取的模型進行測試與預測。

?

svm_type?c_svc??%?訓練所采用的svm類型，此處為CSVC??

kernel_type?rbf?%?訓練采用的核函數類型，此處為RBF核?

gamma?0.047619??%?與操作參數設置中的γ含義相同?

nr_class?2??%?分類時的類別數，此處為兩分類問題

?total_sv?604?%?總共的支持向量個數?

rho?-0.337784?%?決策函數中的常數項b

?label?0?1??%?類別標簽?
nr_sv?314?290?%?各類別標簽對應的支持向量個數?

SV?%?以下為支持向量?
1?1:-0.963808?2:0.906788?...?19:-0.197706?20:-0.928853?21:-1??1?1:-0.885128?2:0.768219?...?19:-0.452573?20:-0.980591?21:-1???...????????...????????????????????????...??
1?1:-0.847359?2:0.485921?...?19:-0.541457?20:-0.989077?21:-1??
???%?對于分類問題，上面的支持向量的各列含義與訓練數據集相同；對于回歸問題，略有不同，與訓練數據中的標簽label（即y值）所對應的位置在模型文件的支持向量中現在存放的是Lagrange系數α值