libsvm库的作者主页 ：http://www.csie.ntu.edu.tw/~cjlin
好吧，都是英文的......
libsvm的分链接:
http://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html
到通过分连接里面找到download，下载下libsvm的压缩包，其目录如下图:
好多东西的感脚，其实如果是java的话只要java那个文件夹里面的东西就口以啦
下面是java文件夹下面的动动,也很多的感脚，其实也只要libsvm.jar这个包就可以啦，超喜欢，一个包导进到工程项目中就可以直接用了，SO 方便.
对于其它的java文件要干嘛用呢，你可以当作例子，那应该都是作者写的实例吧，里面都是调用libsvm.jar包的类，看那些代码
有助于清晰明了的学会libsvm.jar的各种类的使用方法，文章后部分的代码参考svm_train，额，也不算参考吧，应为基本都是
那个文件里面的代码哈。
下面说下主要要用到的类有3个:
1.svm_parameter:用来保存svm的一些设置参数
2.svm_problem:用来保存样本的
3.svm:主要用来做svm分类的
其实还有svm_model类也是很重要的，只是暂时没用到，因为一开始我的目的只是为了能够用这个让lissvm成功运行起来，我就哈皮啦，所以这个还没研究。
不过后面要更灵活地使用svm就需要这个东西咯， mark先:svm_model ,保存分类模型的，具体用法还咩研究。
下面直接贴代码了，里面有关于参数设置以及如何将文件里的数据存到svm_problem的实例中，以及交叉验证的代码,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);
}
//获取参数
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);
}
//获取问题描述
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;
}
//交叉验证
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);
}
}整体步骤如下:
1.到官网下载，libsvm的压缩包。
2.从压缩包里面获取libsvm.jar并添加到java工程中。
3.创建一个简单的测试类，可直接将上面的代码复制粘贴过去体验下。
上述代码的基本思路:
首先要实例化svm_parameter，然后设置相应的参数；
其次读取数据文件，将里面的内容按要求存放到svm_problem对象中；
最后，通过调用svm.svm_cross_validation(prob,param,nr_fold,target);进行交叉验证
4.从http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/ 下载数据集进行测试，具体的数据格式可以模仿这边下载下的文件
大概格式就是这样的 label index1:value1 index2:value2....
5.over