支持向量機java代碼 支持向量機代碼實現(xiàn)

支持向量機

支持向量機可以用于分類、回歸與異常點檢測，它有以下優(yōu)勢：

成都創(chuàng)新互聯(lián)于2013年成立，先為永勝等服務(wù)建站，永勝等地企業(yè)，進行企業(yè)商務(wù)咨詢服務(wù)。為永勝企業(yè)網(wǎng)站制作PC+手機+微官網(wǎng)三網(wǎng)同步一站式服務(wù)解決您的所有建站問題。

1、對高維數(shù)據(jù)集十分有效。

2、當(dāng)pn時，依然有效。

3、高效利用內(nèi)存。

4、不同的核函數(shù)與決策函數(shù)一一對應(yīng)。

缺點如下：

1、當(dāng)pn時，需要合理選用核函數(shù)以避免過擬合。

2、由于支持向量機不直接提供概率估計，需要經(jīng)過五折交叉驗證計算得到，所以它較慢。

SVC、NuSVC和LinearSVC能夠?qū)崿F(xiàn)多元分類。SVC與NuSVC十分相似，不同之處在于NuSVC引入了一個新的超參數(shù)v，它可以控制支持向量的數(shù)量和訓(xùn)練誤差。LinearSVC是另一個實現(xiàn)線性核函數(shù)的支持向量分類，所以它不接受關(guān)鍵詞kernel，也沒有所謂的支持向量。

支持向量的解釋：支持向量本質(zhì)上就是一個向量，而且是離間隔邊界最近的向量，也就是這些向量支撐了整個間隔邊界，支持向量的名字由來就是這樣。

多元分類在分類中主要有兩種方法：one-vs-one和one-vs-rest。

one-vs-one：假設(shè)有n個類別，則會針對兩兩類別建立二項分類器，得到k=n*(n-1)/2個分類器。對新數(shù)據(jù)進行分類時，依次使用這k個分類器進行分類，每次分類相當(dāng)于一次投票，分類結(jié)果是哪個就相當(dāng)于對哪個類投了一票。在使用全部k個分類器進行分類后，相當(dāng)于進行了k次投票，選擇得票最多的那個類作為最終分類結(jié)果。

one-vs-rest：假設(shè)有n個類別，那么就會建立n個二項分類器，每個分類器針對其中一個類別和剩余類別進行分類。進行預(yù)測時，利用這n個二項分類器進行分類，得到數(shù)據(jù)屬于當(dāng)前類的概率，選擇其中概率最大的一個類別作為最終的預(yù)測結(jié)果。

其中，one-vs-rest更加受到青睞，因為它更快并且結(jié)果也很不錯。

在內(nèi)核嶺回歸中我們有談到過支持向量回歸，支持向量分類與支持向量回歸都是只依賴于訓(xùn)練集的子集，因為構(gòu)建模型的代價函數(shù)忽略任何接近于模型預(yù)測的訓(xùn)練數(shù)據(jù)。支持向量回歸也有三種不同的形式：SVR、NuSVR和LinearSVR。

OneClassSVM實現(xiàn)了一個用于無監(jiān)督的孤立點檢測。

支持向量機是個強大的工具，不過它的計算和存儲空間要求也會隨著要訓(xùn)練向量的數(shù)目增加而快速增加。?SVM的核心是一個二次規(guī)劃問題，是將支持向量和訓(xùn)練數(shù)據(jù)的其余部分分離開來。一般情況下復(fù)雜度為 ~ 。

懲罰系數(shù)C的設(shè)置：C定義了你對噪聲的重視程度，如果數(shù)據(jù)中有很多噪聲，我們應(yīng)該減小C，防止模型過擬合。

gamma的設(shè)置：gamma?定義了單一 訓(xùn)練樣本能起到多大的影響，這樣就會導(dǎo)致只有某些訓(xùn)練樣本就能占領(lǐng)主導(dǎo)地位，對于訓(xùn)練集可能效果會很好，但是對于測試集效果很差，即會導(dǎo)致過擬合，降低gamma能有效降低過擬合的風(fēng)險，與C一樣。

推薦一個網(wǎng)站，作者將SVM講述的很好： SVM入門（一）至（三）Refresh - Jasper's Java Jacal - BlogJava

參考：《Scikit-Learn官方API》

如有錯誤，請指正；如有疑問，請留言。

哪位朋友能介紹一下支持向量機工具libsvm的用法

LIBSVM的簡單介紹 2006-09-20 15:59:48

大 中 小

1. LIBSVM 軟件包簡介

LIBSVM 是臺灣大學(xué)林智仁(Chih-Jen Lin)博士等開發(fā)設(shè)計的一個操作簡單、易于使用、快速有效的通用SVM 軟件包，可以解決分類問題（包括C- SVC、n - SVC ）、回歸問題（包括e - SVR、n - SVR ）以及分布估計（one-class-SVM ）等問題，提供了線性、多項式、徑向基和S形函數(shù)四種常用的核函數(shù)供選擇，可以有效地解決多類問題、交叉驗證選擇參數(shù)、對不平衡樣本加權(quán)、多類問題的概率估計等。LIBSVM 是一個開源的軟件包，需要者都可以免費的從作者的個人主頁

處獲得。他不僅提供了LIBSVM的C++語言的算法源代碼，還提供了Python、Java、R、MATLAB、Perl、Ruby、LabVIEW以及C#.net 等各種語言的接口，可以方便的在Windows 或UNIX 平臺下使用。另外還提供了WINDOWS 平臺下的可視化操作工具SVM-toy，并且在進行模型參數(shù)選擇時可以繪制出交叉驗證精度的等高線圖。

2. LIBSVM 使用方法簡介

LibSVM是以源代碼和可執(zhí)行文件兩種方式給出的。如果是Windows系列操作系統(tǒng)，可以直接使用軟件包提供的程序，也可以進行修改編譯；如果是Unix類系統(tǒng)，必須自己編譯。

LIBSVM 在給出源代碼的同時還提供了Windows操作系統(tǒng)下的可執(zhí)行文件，包括：進行支持向量機訓(xùn)練的svmtrain.exe；根據(jù)已獲得的支持向量機模型對數(shù)據(jù)集進行預(yù)測的svmpredict.exe；以及對訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)進行簡單縮放操作的svmscale.exe。它們都可以直接在DOS 環(huán)境中使用。如果下載的包中只有C++的源代碼，則也可以自己在VC等軟件上編譯生成可執(zhí)行文件。

3. LIBSVM 使用的一般步驟是：

1） 按照LIBSVM軟件包所要求的格式準(zhǔn)備數(shù)據(jù)集；

2） 對數(shù)據(jù)進行簡單的縮放操作；

3） 考慮選用RBF 核函數(shù)；

4） 采用交叉驗證選擇最佳參數(shù)C與g ；

5） 采用最佳參數(shù)C與g 對整個訓(xùn)練集進行訓(xùn)練獲取支持向量機模型；

6） 利用獲取的模型進行測試與預(yù)測。

4. LIBSVM使用的數(shù)據(jù)格式

1）訓(xùn)練數(shù)據(jù)和檢驗數(shù)據(jù)文件格式如下：

label index1:value1 index2:value2 ...

其中l(wèi)abel 是訓(xùn)練數(shù)據(jù)集的目標(biāo)值，對于分類，它是標(biāo)識某類的整數(shù)(支持多個類)；對于回歸，是任意實數(shù)。index 是以1開始的整數(shù)，可以是不連續(xù)的；value為實數(shù)，也就是我們常說的自變量。檢驗數(shù)據(jù)文件中的label只用于計算準(zhǔn)確度或誤差，如果它是未知的，只需用一個數(shù)填寫這一欄，也可以空著不填。

在程序包中，還包括有一個訓(xùn)練數(shù)據(jù)實例：heart_scale，方便參考數(shù)據(jù)文件格式以及練習(xí)使用軟件?？梢跃帉懶〕绦颍瑢⒆约撼Ｓ玫臄?shù)據(jù)格式轉(zhuǎn)換成這種格式

2）Svmtrain和Svmpredict的用法

LIBSVM軟件提供的各種功能都是DOS命令執(zhí)行方式。我們主要用到兩個程序，svmtrain(訓(xùn)練建模)和svmpredict(使用已有的模型進行預(yù)測)，下面分別對這兩個程序的使用方法、各參數(shù)的意義以及設(shè)置方法做一個簡單介紹：

（1）Svmtrain的用法：

svmtrain [options] training_set_file [model_file]

Options：可用的選項即表示的涵義如下

-s svm類型：SVM設(shè)置類型(默認(rèn)0)

0 -- C-SVC

1 --v-SVC

2 – 一類SVM

3 -- e -SVR

4 -- v-SVR

-t 核函數(shù)類型：核函數(shù)設(shè)置類型(默認(rèn)2)

0 – 線性：u'v

1 – 多項式：(r*u'v + coef0)^degree

2 – RBF函數(shù)：exp(-r|u-v|^2)

3 –sigmoid：tanh(r*u'v + coef0)

-d degree：核函數(shù)中的degree設(shè)置(默認(rèn)3)

-g 函數(shù)設(shè)置(默認(rèn)1/ k)?r(gama)：核函數(shù)中的

-r coef0：核函數(shù)中的coef0設(shè)置(默認(rèn)0)

?-c cost：設(shè)置C-SVC， -SVR的參數(shù)(默認(rèn)1)?-SVR和

- SVR的參數(shù)(默認(rèn)0.5)?-SVC，一類SVM和?-n nu：設(shè)置

-SVR?-p e：設(shè)置的值(默認(rèn)0.1)?中損失函數(shù)

-m cachesize：設(shè)置cache內(nèi)存大小，以MB為單位(默認(rèn)40)

-e ：設(shè)置允許的終止判據(jù)(默認(rèn)0.001)?

-h shrinking：是否使用啟發(fā)式，0或1(默認(rèn)1)

-wi C(C-SVC中的C)(默認(rèn)1)?weight：設(shè)置第幾類的參數(shù)C為weight

-v n: n-fold交互檢驗?zāi)Ｊ?/p>

其中-g選項中的k是指輸入數(shù)據(jù)中的屬性數(shù)。option -v 隨機地將數(shù)據(jù)剖分為n部分并計算交互檢驗準(zhǔn)確度和均方根誤差。以上這些參數(shù)設(shè)置可以按照SVM的類型和核函數(shù)所支持的參數(shù)進行任意組合，如果設(shè)置的參數(shù)在函數(shù)或SVM類型中沒有也不會產(chǎn)生影響，程序不會接受該參數(shù)；如果應(yīng)有的參數(shù)設(shè)置不正確，參數(shù)將采用默認(rèn)值。training_set_file是要進行訓(xùn)練的數(shù)據(jù)集；model_file是訓(xùn)練結(jié)束后產(chǎn)生的模型文件，文件中包括支持向量樣本數(shù)、支持向量樣本以及l(fā)agrange系數(shù)等必須的參數(shù)；該參數(shù)如果不設(shè)置將采用默認(rèn)的文件名，也可以設(shè)置成自己慣用的文件名。

（2）Svmpredict的用法：

svmpredict test_file model_file output_file

model_file 是由svmtrain產(chǎn)生的模型文件；test_file是要進行預(yù)測的數(shù)據(jù)文件；Output_file是svmpredict的輸出文件。svm-predict沒有其它的選項。

下面是具體的使用例子

svmtrain -s 0 -c 1000 -t 1 -g 1 -r 1 -d 3 data_file

訓(xùn)練一個由多項式核(u'v+1)^3和C=1000組成的分類器。

svmtrain -s 1 -n 0.1 -t 2 -g 0.5 -e 0.00001 data_file =?-SVM (?在RBF核函數(shù)exp(-0.5|u-v|^2)和終止允許限0.00001的條件下，訓(xùn)練一個 0.1)分類器。 svmtrain -s 3 -p 0.1 -t 0 -c 10 data_file =?以線性核函數(shù)u'v和C=10及損失函數(shù) 0.1求解SVM回歸。

支持向量機的matlab代碼

如果是7.0以上版本

edit svmtrain

edit svmclassify

edit svmpredict

function [svm_struct, svIndex] = svmtrain(training, groupnames, varargin)

%SVMTRAIN trains a support vector machine classifier

%

% SVMStruct = SVMTRAIN(TRAINING,GROUP) trains a support vector machine

% classifier using data TRAINING taken from two groups given by GROUP.

% SVMStruct contains information about the trained classifier that is

% used by SVMCLASSIFY for classification. GROUP is a column vector of

% values of the same length as TRAINING that defines two groups. Each

% element of GROUP specifies the group the corresponding row of TRAINING

% belongs to. GROUP can be a numeric vector, a string array, or a cell

% array of strings. SVMTRAIN treats NaNs or empty strings in GROUP as

% missing values and ignores the corresponding rows of TRAINING.

%

% SVMTRAIN(...,'KERNEL_FUNCTION',KFUN) allows you to specify the kernel

% function KFUN used to map the training data into kernel space. The

% default kernel function is the dot product. KFUN can be one of the

% following strings or a function handle:

%

% 'linear' Linear kernel or dot product

% 'quadratic' Quadratic kernel

% 'polynomial' Polynomial kernel (default order 3)

% 'rbf' Gaussian Radial Basis Function kernel

% 'mlp' Multilayer Perceptron kernel (default scale 1)

% function A kernel function specified using @,

% for example @KFUN, or an anonymous function

%

% A kernel function must be of the form

%

% function K = KFUN(U, V)

%

% The returned value, K, is a matrix of size M-by-N, where U and V have M

% and N rows respectively. If KFUN is parameterized, you can use

% anonymous functions to capture the problem-dependent parameters. For

% example, suppose that your kernel function is

%

% function k = kfun(u,v,p1,p2)

% k = tanh(p1*(u*v')+p2);

%

% You can set values for p1 and p2 and then use an anonymous function:

% @(u,v) kfun(u,v,p1,p2).

%

% SVMTRAIN(...,'POLYORDER',ORDER) allows you to specify the order of a

% polynomial kernel. The default order is 3.

%

% SVMTRAIN(...,'MLP_PARAMS',[P1 P2]) allows you to specify the

% parameters of the Multilayer Perceptron (mlp) kernel. The mlp kernel

% requires two parameters, P1 and P2, where K = tanh(P1*U*V' + P2) and P1

% 0 and P2 0. Default values are P1 = 1 and P2 = -1.

%

% SVMTRAIN(...,'METHOD',METHOD) allows you to specify the method used

% to find the separating hyperplane. Options are

%

% 'QP' Use quadratic programming (requires the Optimization Toolbox)

% 'LS' Use least-squares method

%

% If you have the Optimization Toolbox, then the QP method is the default

% method. If not, the only available method is LS.

%

% SVMTRAIN(...,'QUADPROG_OPTS',OPTIONS) allows you to pass an OPTIONS

% structure created using OPTIMSET to the QUADPROG function when using

% the 'QP' method. See help optimset for more details.

%

% SVMTRAIN(...,'SHOWPLOT',true), when used with two-dimensional data,

% creates a plot of the grouped data and plots the separating line for

% the classifier.

%

% Example:

% % Load the data and select features for classification

% load fisheriris

% data = [meas(:,1), meas(:,2)];

% % Extract the Setosa class

% groups = ismember(species,'setosa');

% % Randomly select training and test sets

% [train, test] = crossvalind('holdOut',groups);

% cp = classperf(groups);

% % Use a linear support vector machine classifier

% svmStruct = svmtrain(data(train,:),groups(train),'showplot',true);

% classes = svmclassify(svmStruct,data(test,:),'showplot',true);

% % See how well the classifier performed

% classperf(cp,classes,test);

% cp.CorrectRate

%

% See also CLASSIFY, KNNCLASSIFY, QUADPROG, SVMCLASSIFY.

% Copyright 2004 The MathWorks, Inc.

% $Revision: 1.1.12.1 $ $Date: 2004/12/24 20:43:35 $

% References:

% [1] Kecman, V, Learning and Soft Computing,

% MIT Press, Cambridge, MA. 2001.

% [2] Suykens, J.A.K., Van Gestel, T., De Brabanter, J., De Moor, B.,

% Vandewalle, J., Least Squares Support Vector Machines,

% World Scientific, Singapore, 2002.

% [3] Scholkopf, B., Smola, A.J., Learning with Kernels,

% MIT Press, Cambridge, MA. 2002.

%

% SVMTRAIN(...,'KFUNARGS',ARGS) allows you to pass additional

% arguments to kernel functions.

% set defaults

plotflag = false;

qp_opts = [];

kfunargs = {};

setPoly = false; usePoly = false;

setMLP = false; useMLP = false;

if ~isempty(which('quadprog'))

useQuadprog = true;

else

useQuadprog = false;

end

% set default kernel function

kfun = @linear_kernel;

% check inputs

if nargin 2

error(nargchk(2,Inf,nargin))

end

numoptargs = nargin -2;

optargs = varargin;

% grp2idx sorts a numeric grouping var ascending, and a string grouping

% var by order of first occurrence

[g,groupString] = grp2idx(groupnames);

% check group is a vector -- though char input is special...

if ~isvector(groupnames) ~ischar(groupnames)

error('Bioinfo:svmtrain:GroupNotVector',...

'Group must be a vector.');

end

% make sure that the data is correctly oriented.

if size(groupnames,1) == 1

groupnames = groupnames';

end

% make sure data is the right size

n = length(groupnames);

if size(training,1) ~= n

if size(training,2) == n

training = training';

else

error('Bioinfo:svmtrain:DataGroupSizeMismatch',...

'GROUP and TRAINING must have the same number of rows.')

end

end

% NaNs are treated as unknown classes and are removed from the training

% data

nans = find(isnan(g));

if length(nans) 0

training(nans,:) = [];

g(nans) = [];

end

ngroups = length(groupString);

if ngroups 2

error('Bioinfo:svmtrain:TooManyGroups',...

'SVMTRAIN only supports classification into two groups.\nGROUP contains %d different groups.',ngroups)

end

% convert to 1, -1.

g = 1 - (2* (g-1));

% handle optional arguments

if numoptargs = 1

if rem(numoptargs,2)== 1

error('Bioinfo:svmtrain:IncorrectNumberOfArguments',...

'Incorrect number of arguments to %s.',mfilename);

end

okargs = {'kernel_function','method','showplot','kfunargs','quadprog_opts','polyorder','mlp_params'};

for j=1:2:numoptargs

pname = optargs{j};

pval = optargs{j+1};

k = strmatch(lower(pname), okargs);%#ok

if isempty(k)

error('Bioinfo:svmtrain:UnknownParameterName',...

'Unknown parameter name: %s.',pname);

elseif length(k)1

error('Bioinfo:svmtrain:AmbiguousParameterName',...

'Ambiguous parameter name: %s.',pname);

else

switch(k)

case 1 % kernel_function

if ischar(pval)

okfuns = {'linear','quadratic',...

'radial','rbf','polynomial','mlp'};

funNum = strmatch(lower(pval), okfuns);%#ok

if isempty(funNum)

funNum = 0;

end

switch funNum %maybe make this less strict in the future

case 1

kfun = @linear_kernel;

case 2

kfun = @quadratic_kernel;

case {3,4}

kfun = @rbf_kernel;

case 5

kfun = @poly_kernel;

usePoly = true;

case 6

kfun = @mlp_kernel;

useMLP = true;

otherwise

error('Bioinfo:svmtrain:UnknownKernelFunction',...

'Unknown Kernel Function %s.',kfun);

end

elseif isa (pval, 'function_handle')

kfun = pval;

else

error('Bioinfo:svmtrain:BadKernelFunction',...

'The kernel function input does not appear to be a function handle\nor valid function name.')

end

case 2 % method

if strncmpi(pval,'qp',2)

useQuadprog = true;

if isempty(which('quadprog'))

warning('Bioinfo:svmtrain:NoOptim',...

'The Optimization Toolbox is required to use the quadratic programming method.')

useQuadprog = false;

end

elseif strncmpi(pval,'ls',2)

useQuadprog = false;

else

error('Bioinfo:svmtrain:UnknownMethod',...

'Unknown method option %s. Valid methods are ''QP'' and ''LS''',pval);

end

case 3 % display

if pval ~= 0

if size(training,2) == 2

plotflag = true;

else

warning('Bioinfo:svmtrain:OnlyPlot2D',...

'The display option can only plot 2D training data.')

end

end

case 4 % kfunargs

if iscell(pval)

kfunargs = pval;

else

kfunargs = {pval};

end

case 5 % quadprog_opts

if isstruct(pval)

qp_opts = pval;

elseif iscell(pval)

qp_opts = optimset(pval{:});

else

error('Bioinfo:svmtrain:BadQuadprogOpts',...

'QUADPROG_OPTS must be an opts structure.');

end

case 6 % polyorder

if ~isscalar(pval) || ~isnumeric(pval)

error('Bioinfo:svmtrain:BadPolyOrder',...

'POLYORDER must be a scalar value.');

end

if pval ~=floor(pval) || pval 1

error('Bioinfo:svmtrain:PolyOrderNotInt',...

'The order of the polynomial kernel must be a positive integer.')

end

kfunargs = {pval};

setPoly = true;

case 7 % mlpparams

if numel(pval)~=2

error('Bioinfo:svmtrain:BadMLPParams',...

'MLP_PARAMS must be a two element array.');

end

if ~isscalar(pval(1)) || ~isscalar(pval(2))

error('Bioinfo:svmtrain:MLPParamsNotScalar',...

'The parameters of the multi-layer perceptron kernel must be scalar.');

end

kfunargs = {pval(1),pval(2)};

setMLP = true;

end

end

end

end

if setPoly ~usePoly

warning('Bioinfo:svmtrain:PolyOrderNotPolyKernel',...

'You specified a polynomial order but not a polynomial kernel');

end

if setMLP ~useMLP

warning('Bioinfo:svmtrain:MLPParamNotMLPKernel',...

'You specified MLP parameters but not an MLP kernel');

end

% plot the data if requested

if plotflag

[hAxis,hLines] = svmplotdata(training,g);

legend(hLines,cellstr(groupString));

end

% calculate kernel function

try

kx = feval(kfun,training,training,kfunargs{:});

% ensure function is symmetric

kx = (kx+kx')/2;

catch

error('Bioinfo:svmtrain:UnknownKernelFunction',...

'Error calculating the kernel function:\n%s\n', lasterr);

end

% create Hessian

% add small constant eye to force stability

H =((g*g').*kx) + sqrt(eps(class(training)))*eye(n);

if useQuadprog

% The large scale solver cannot handle this type of problem, so turn it

% off.

qp_opts = optimset(qp_opts,'LargeScale','Off');

% X=QUADPROG(H,f,A,b,Aeq,beq,LB,UB,X0,opts)

alpha = quadprog(H,-ones(n,1),[],[],...

g',0,zeros(n,1),inf *ones(n,1),zeros(n,1),qp_opts);

% The support vectors are the non-zeros of alpha

svIndex = find(alpha sqrt(eps));

sv = training(svIndex,:);

% calculate the parameters of the separating line from the support

% vectors.

alphaHat = g(svIndex).*alpha(svIndex);

% Calculate the bias by applying the indicator function to the support

% vector with largest alpha.

[maxAlpha,maxPos] = max(alpha); %#ok

bias = g(maxPos) - sum(alphaHat.*kx(svIndex,maxPos));

% an alternative method is to average the values over all support vectors

% bias = mean(g(sv)' - sum(alphaHat(:,ones(1,numSVs)).*kx(sv,sv)));

% An alternative way to calculate support vectors is to look for zeros of

% the Lagrangians (fifth output from QUADPROG).

%

% [alpha,fval,output,exitflag,t] = quadprog(H,-ones(n,1),[],[],...

% g',0,zeros(n,1),inf *ones(n,1),zeros(n,1),opts);

%

% sv = t.lower sqrt(eps) t.upper sqrt(eps);

else % Least-Squares

% now build up compound matrix for solver

A = [0 g';g,H];

b = [0;ones(size(g))];

x = A\b;

% calculate the parameters of the separating line from the support

% vectors.

sv = training;

bias = x(1);

alphaHat = g.*x(2:end);

end

svm_struct.SupportVectors = sv;

svm_struct.Alpha = alphaHat;

svm_struct.Bias = bias;

svm_struct.KernelFunction = kfun;

svm_struct.KernelFunctionArgs = kfunargs;

svm_struct.GroupNames = groupnames;

svm_struct.FigureHandles = [];

if plotflag

hSV = svmplotsvs(hAxis,svm_struct);

svm_struct.FigureHandles = {hAxis,hLines,hSV};

end

如何調(diào)用libsvm 的java 庫函數(shù)

第一步：下載java版libsvm3.12，解壓。

第二步：打開java文件夾

第三步：建立項目，引用lib.svm包

第五步：把第二步中的文件夾中四個文件復(fù)制到一個自定義的包中

第六步：寫程序調(diào)用，代碼如下，貼出來供大家學(xué)習(xí)，有不對的地方，歡迎拍磚。

import java.io.IOException;

import libsvm.svm;

import libsvm.svm_model;

public class SVMTest {

public static void main(String[] args) throws IOException {

svm_train svmt = new svm_train();

svm_predict svmp = new svm_predict();

String[] argvTrain = {

"C:\\Users\\baolong\\Desktop\\KDD\\other\\svm\\train\\TR1.data",// 訓(xùn)練文件

"C:\\Users\\baolong\\Desktop\\KDD\\other\\svm\\model\\MO1.model"http:// 模型文件

};

String[] argvPredict = {

"C:\\Users\\baolong\\Desktop\\KDD\\other\\svm\\predict\\PR1.data",// 預(yù)測文件

"C:\\Users\\baolong\\Desktop\\KDD\\other\\svm\\model\\MO1.model", // 模型文件

"C:\\Users\\baolong\\Desktop\\KDD\\other\\svm\\result\\RE1.out" // 預(yù)測結(jié)果文件

};

try {

svmt.main(argvTrain);

svmp.main(argvPredict);

} catch (IOException e) {

e.printStackTrace();

}

double[] record = { -1, 12, 12, 78 };

libsvm.svm_model model = svm

.svm_load_model("C:\\Users\\baolong\\Desktop\\KDD\\other\\svm\\model\\MO1.model");

System.out.println(svmp.predictPerRecord(record, model));

}

}

網(wǎng)站題目：支持向量機java代碼 支持向量機代碼實現(xiàn)
網(wǎng)頁網(wǎng)址：http://muchs.cn/article8/doedsop.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站排名、云服務(wù)器、小程序開發(fā)、網(wǎng)頁設(shè)計公司、全網(wǎng)營銷推廣、網(wǎng)站改版

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)