libsvm庫的作者主頁 ：http://www.csie.ntu.edu.tw/~cjlin
好吧，都是英文的......
libsvm的分鏈接:
http://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html
到通過分連接裏面找到download，下載下libsvm的壓縮包，其目錄如下圖:
好多東西的感腳，其實如果是java的話只要java那個文件夾裏面的東西就口以啦
下面是java文件夾下面的動動,也很多的感腳，其實也只要libsvm.jar這個包就可以啦，超喜歡，一個包導進到工程項目中就可以直接用了，SO 方便.
對於其它的java文件要幹嘛用呢，你可以當作例子，那應該都是作者寫的實例吧，裏面都是調用libsvm.jar包的類，看那些代碼
有助於清晰明瞭的學會libsvm.jar的各種類的使用方法，文章後部分的代碼參考svm_train，額，也不算參考吧，應爲基本都是
那個文件裏面的代碼哈。
下面說下主要要用到的類有3個:
1.svm_parameter:用來保存svm的一些設置參數
2.svm_problem:用來保存樣本的
3.svm:主要用來做svm分類的
其實還有svm_model類也是很重要的，只是暫時沒用到，因爲一開始我的目的只是爲了能夠用這個讓lissvm成功運行起來，我就哈皮啦，所以這個還沒研究。
不過後面要更靈活地使用svm就需要這個東西咯， mark先:svm_model ,保存分類模型的，具體用法還咩研究。
下面直接貼代碼了，裏面有關於參數設置以及如何將文件裏的數據存到svm_problem的實例中，以及交叉驗證的代碼,摘抄自svm_train.java
package loma;
import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.util.StringTokenizer;
import java.util.Vector;
import libsvm.svm;
import libsvm.svm_node;
import libsvm.svm_parameter;
import libsvm.svm_problem;
public class test{
private static double atof(String s)
{
double d = Double.valueOf(s).doubleValue();
if (Double.isNaN(d) || Double.isInfinite(d))
{
System.err.print("NaN or Infinity in input\n");
System.exit(1);
}
return(d);
}
//獲取參數
private svm_parameter getParameter(){
svm_parameter param = new svm_parameter();
// default values
param.svm_type = svm_parameter.C_SVC;
param.kernel_type = svm_parameter.RBF;
param.degree = 3;
param.gamma = 0; // 1/num_features
param.coef0 = 0;
param.nu = 0.5;
param.cache_size = 100;
param.C = 1;
param.eps = 1e-3;
param.p = 0.1;
param.shrinking = 1;
param.probability = 0;
param.nr_weight = 0;
param.weight_label = new int[0];
param.weight = new double[0];
return param;
}
private static int atoi(String s)
{
return Integer.parseInt(s);
}
//獲取問題描述
private svm_problem read_problem(String input_file_name,svm_parameter param) throws IOException
{
BufferedReader fp = new BufferedReader(new FileReader(input_file_name));
Vector<Double> vy = new Vector<Double>();
Vector<svm_node[]> vx = new Vector<svm_node[]>();
int max_index = 0;
while(true)
{
String line = fp.readLine();
if(line == null) break;
StringTokenizer st = new StringTokenizer(line," \t\n\r\f:");
vy.addElement(atof(st.nextToken()));
int m = st.countTokens()/2;
svm_node[] x = new svm_node[m];
for(int j=0;j<m;j++)
{
x[j] = new svm_node();
x[j].index = atoi(st.nextToken());
x[j].value = atof(st.nextToken());
}
if(m>0) max_index = Math.max(max_index, x[m-1].index);
vx.addElement(x);
}
svm_problem prob = new svm_problem();
prob.l = vy.size();
prob.x = new svm_node[prob.l][];
for(int i=0;i<prob.l;i++)
prob.x[i] = vx.elementAt(i);
prob.y = new double[prob.l];
for(int i=0;i<prob.l;i++)
prob.y[i] = vy.elementAt(i);
if(param.gamma == 0 && max_index > 0)
param.gamma = 1.0/max_index;
if(param.kernel_type == svm_parameter.PRECOMPUTED)
for(int i=0;i<prob.l;i++)
{
if (prob.x[i][0].index != 0)
{
System.err.print("Wrong kernel matrix: first column must be 0:sample_serial_number\n");
System.exit(1);
}
if ((int)prob.x[i][0].value <= 0 || (int)prob.x[i][0].value > max_index)
{
System.err.print("Wrong input format: sample_serial_number out of range\n");
System.exit(1);
}
}
fp.close();
return prob;
}
//交叉驗證
private void do_cross_validation(svm_problem prob,svm_parameter param,int nr_fold)
{
int i;
int total_correct = 0;
double total_error = 0;
double sumv = 0, sumy = 0, sumvv = 0, sumyy = 0, sumvy = 0;
double[] target = new double[prob.l];
svm.svm_cross_validation(prob,param,nr_fold,target);
if(param.svm_type == svm_parameter.EPSILON_SVR ||
param.svm_type == svm_parameter.NU_SVR)
{
for(i=0;i<prob.l;i++)
{
double y = prob.y[i];
double v = target[i];
total_error += (v-y)*(v-y);
sumv += v;
sumy += y;
sumvv += v*v;
sumyy += y*y;
sumvy += v*y;
}
System.out.print("Cross Validation Mean squared error = "+total_error/prob.l+"\n");
System.out.print("Cross Validation Squared correlation coefficient = "+
((prob.l*sumvy-sumv*sumy)*(prob.l*sumvy-sumv*sumy))/
((prob.l*sumvv-sumv*sumv)*(prob.l*sumyy-sumy*sumy))+"\n"
);
}
else
{
for(i=0;i<prob.l;i++)
if(target[i] == prob.y[i])
++total_correct;
System.out.print("Cross Validation Accuracy = "+100.0*total_correct/prob.l+"%\n");
}
}
public static void main(String[] args){
test t = new test();
svm_parameter param = t.getParameter();
svm_problem prob = null;
try{
prob = t.read_problem("d:\\iris.scale",param);
}catch(IOException e){
//todo
}
t.do_cross_validation(prob, param, 10);
}
}整體步驟如下:
1.到官網下載，libsvm的壓縮包。
2.從壓縮包裏面獲取libsvm.jar並添加到java工程中。
3.創建一個簡單的測試類，可直接將上面的代碼複製粘貼過去體驗下。
上述代碼的基本思路:
首先要實例化svm_parameter，然後設置相應的參數；
其次讀取數據文件，將裏面的內容按要求存放到svm_problem對象中；
最後，通過調用svm.svm_cross_validation(prob,param,nr_fold,target);進行交叉驗證
4.從http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/ 下載數據集進行測試，具體的數據格式可以模仿這邊下載下的文件
大概格式就是這樣的 label index1:value1 index2:value2....
5.over