Die grundlegende Verwendung des libsvm-Support-Vektor-Maschinenalgorithmuspakets. Hier wird die Support-Vektor-Regressionsmaschine demonstriert.
Kopieren Sie den Codecode wie folgt:
import java.io.BufferedReader;
java.io.File importieren;
import java.io.FileReader;
import java.util.ArrayList;
java.util.List importieren;
import libsvm.svm;
import libsvm.svm_model;
import libsvm.svm_node;
import libsvm.svm_parameter;
import libsvm.svm_problem;
öffentliche Klasse SVM {
public static void main(String[] args) {
// Definieren Sie den Trainingssollpunkt a{10.0, 10.0} und den Punkt b{-10.0, -10.0}, und die entsprechende Bezeichnung ist {1.0, -1.0}
List<Double> label = new ArrayList<Double>();
List<svm_node[]> nodeSet = new ArrayList<svm_node[]>();
getData(nodeSet, label, „file/train.txt“);
int dataRange=nodeSet.get(0).length;
svm_node[][] datas = new svm_node[nodeSet.size()][dataRange]; // Vektortabelle des Trainingssatzes
for (int i = 0; i < datas.length; i++) {
for (int j = 0; j < dataRange; j++) {
datas[i][j] = nodeSet.get(i)[j];
}
}
double[] labels = new double[label.size()]; // Etiketten entsprechend a,b
for (int i = 0; i < labels.length; i++) {
labels[i] = label.get(i);
}
//Svm_problem-Objekt definieren
svm_problem problem = new svm_problem();
problem.l = nodeSet.size(); // Anzahl der Vektoren
problem.x = datas; //Trainingssatz-Vektortabelle
problem.y = lables; // Entsprechendes Label-Array
//Svm_parameter-Objekt definieren
svm_parameter param = new svm_parameter();
param.svm_type = svm_parameter.EPSILON_SVR;
param.kernel_type = svm_parameter.LINEAR;
param.cache_size = 100;
param.eps = 0,00001;
param.C = 1,9;
// SVM-Klassifizierungsmodell trainieren
System.out.println(svm.svm_check_parameter(problem, param));
// Wenn es kein Problem mit den Parametern gibt, gibt die Funktion svm.svm_check_parameter() null zurück, andernfalls gibt sie eine Fehlerbeschreibung zurück.
svm_model model = svm.svm_train(problem, param);
// svm.svm_train() trainiert das SVM-Klassifizierungsmodell
// Testdaten abrufen
List<Double> testlabel = new ArrayList<Double>();
List<svm_node[]> testnodeSet = new ArrayList<svm_node[]>();
getData(testnodeSet, testlabel, „file/test.txt“);
svm_node[][] testdatas = new svm_node[testnodeSet.size()][dataRange] // Vektortabelle des Trainingssatzes
for (int i = 0; i < testdatas.length; i++) {
for (int j = 0; j < dataRange; j++) {
testdatas[i][j] = testnodeSet.get(i)[j];
}
}
double[] testlables = new double[testlabel.size()]; // Etiketten entsprechend a,b
for (int i = 0; i < testlables.length; i++) {
testlabels[i] = testlabel.get(i);
}
// Label zur Vorhersage von Testdaten
Doppelfehler = 0,0;
for (int i = 0; i < testdatas.length; i++) {
double truevalue = testlables[i];
System.out.print(truevalue + " ");
double PredictValue = svm.svm_predict(model, testdatas[i]);
System.out.println(predictValue);
err += Math.abs(predictValue - truevalue);
}
System.out.println("err=" + err / datas.length);
}
public static void getData(List<svm_node[]> nodeSet, List<Double> label,
Zeichenfolge (Dateiname) {
versuchen {
FileReader fr = new FileReader(new File(filename));
BufferedReader br = new BufferedReader(fr);
String line = null;
while ((line = br.readLine()) != null) {
String[] datas = line.split(",");
svm_node[] vector = new svm_node[datas.length - 1];
for (int i = 0; i < datas.length - 1; i++) {
svm_node node = new svm_node();
node.index = i + 1;
node.value = Double.parseDouble(datas[i]);
Vektor[i] = Knoten;
}
nodeSet.add(vector);
double lablevalue = Double.parseDouble(datas[datas.length - 1]);
label.add(labelvalue);
}
} Catch (Ausnahme e) {
e.printStackTrace();
}
}
}
Trainingsdaten, die letzte Spalte ist der Zielwert
Kopieren Sie den Codecode wie folgt:
17,6,17,7,17,7,17,7,17,8
17,7,17,7,17,7,17,8,17,8
17,7,17,7,17,8,17,8,17,9
17,7,17,8,17,8,17,9,18
17.8,17.8,17.9,18,18.1
17.8,17.9,18,18.1,18.2
17.9,18,18.1,18.2,18.4
18,18.1,18.2,18.4,18.6
18.1,18.2,18.4,18.6,18.7
18.2,18.4,18.6,18.7,18.9
18.4,18.6,18.7,18.9,19.1
18.6,18.7,18.9,19.1,19.3
Testdaten
Kopieren Sie den Codecode wie folgt:
18,7,18,9,19,1,19,3,19,6
18,9,19,1,19,3,19,6,19,9
19.1,19.3,19.6,19.9,20.2
19.3,19.6,19.9,20.2,20.6
19.6,19.9,20.2,20.6,21
19,9,20,2,20,6,21,21,5
20.2,20.6,21,21.5,22