libsvm java版本使用心得

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] + "\t" + l[1]);}}