甜橘子，专注成都网站制作网站设计与营销型网站建设与优化
QQ :532337155
电话：028-86922220
public class TestScale {
建网站原本是网站策划师、网络程序员、网页设计师等，应用各种网络程序开发技术和网页设计技术配合操作的协同工作。创新互联专业提供成都网站设计、成都网站建设,网页设计,网站制作(企业站、响应式网站开发、电商门户网站)等服务,从网站深度策划、搜索引擎友好度优化到用户体验的提升,我们力求做到极致!
public static void main(String[] args) throws IOException {
String reafile = " "; // 文件路径
svm_scale svms = new svm_scale();
String[] srg = { reafile };//在这可以添加相关的系数"-l","0","-u","1","-s".以及要保存的scale参数文件
svms.main(srg);
}
}
第一步：下载java版libsvm3.12，解压。
第二步：打开java文件夹
第三步：建立项目，引用lib.svm包
第五步：把第二步中的文件夹中四个文件复制到一个自定义的包中
第六步：写程序调用，代码如下，贴出来供大家学习，有不对的地方，欢迎拍砖。
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",// 训练文件
"C:\\Users\\baolong\\Desktop\\KDD\\other\\svm\\model\\MO1.model"// 模型文件
};
String[] argvPredict = {
"C:\\Users\\baolong\\Desktop\\KDD\\other\\svm\\predict\\PR1.data",// 预测文件
"C:\\Users\\baolong\\Desktop\\KDD\\other\\svm\\model\\MO1.model", // 模型文件
"C:\\Users\\baolong\\Desktop\\KDD\\other\\svm\\result\\RE1.out" // 预测结果文件
};
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));
}
}
SVM（support vector machine）是一项流行的分类技术。然而，初学者由于不熟悉SVM，常常得不到满意的结果，原因在于丢失了一些简单但是非常必要的步骤。在这篇文档中，我们给出了一个简单的操作流程，得到合理的结果。（译者注：本文中大部分SVM实际指的是LibSVM）
1 入门知识
SVM是一项非常实用的数据分类技术。虽然SVM比起神经网络（Neural Networks）要相对容易一些，但对于不熟悉该方法的用户而言，开始阶段通常很难得到满意的结果。这里，我们给出了一份指南，根据它可以得到合理结果。
需要注意，此指南不适用SVM的研究者，并且也不保证一定能够获得最高精度结果。同时，我们也没有打算要解决有挑战性的或者非常复杂的问题。我们的目的，仅在于给初学者提供快速获得可接受结果的秘诀。
虽然用户不是一定要深入理解SVM背后的理论，但为了后文解释操作过程，我们还是先给出必要的基础的介绍。一项分类任务通常将数据划分成训练集和测试集。训练集的每个实例，包含一个“目标值（target value）”（例如，分类标注）和一些“属性（attribute）”（例如，特征或者观测变量）。SVM的目标是基于训练数据产出一个模型（model），用来预测只给出属性的测试数据的目标值。
编程语言和自然语言类似，都是为了交流，自然语言用于跟人交流，程序语言则用于指示机器。
jvm其实也就是一个程序，这个程序能接受你的Java代码，然后根据你的意愿执行一系列操作。
举个例子，你可以写一个这样的程序，这个程序接受用户输入一句话，如果用户输入“beep”则调用机器的鸣叫，如果用户输入“exit”，则关掉本程序。在这个例子中，其实用户写的“beep”和“exit”就充当了程序语言的角色，只不过这门语言过于简单因此不可能普及。而java则具有完善的体系能够支持你表达任何意愿，然后jvm理解你的java语言并执行相应操作，这就是程序语言的原理。
当然java还有优化的方案，它的编译器将你的java语言翻译成字节码，因为jvm执行字节码的速度比直接理解java代码要快很多，后来的版本还引入了JIT技术，实时将字节码再编译成机器码，这样就能让机器直接执行指令而不需要jvm去解释。
至于垃圾收集器，就是jvm维护着每一个对象的引用（可以理解成C++里面的指针），根据一定的算法判断其是否可达，如果这个引用不可达（也就是程序的后续部分已经无法获取这个引用，比如说已超出block范围了）那么就清除这个内存对象。这样的好处是能避免由于程序员的疏忽引起的内存泄露，缺点是内存的清理不够即时，因而无用的对象常常会占据内存很长时间。
你也可以在C++里实现垃圾回收器，思路是写一个用于管理内存的类，然后程序里不再用new来新建对象，而是用这个类来产生对象，类内部拥有这个对象的指针，并在适当的时候delete它，这样就实现垃圾自动回收了，当然要写这样一个类是很困难的事。
前面我们进行了很多的理论性研究，下面我们开始用代码进行实现。
这个数据集显然线性可分。
[-1.0,
-1.0,
1.0,
-1.0,
1.0,
1.0,
1.0,
-1.0,
-1.0,
-1.0,
-1.0,
-1.0,
-1.0,
1.0,
-1.0,
1.0,
1.0,
-1.0,
1.0,
-1.0,
-1.0,
-1.0,
1.0,
-1.0,
-1.0,
1.0,
1.0,
-1.0,
-1.0,
-1.0,
-1.0,
1.0,
1.0,
1.0,
1.0,
-1.0,
1.0,
-1.0,
-1.0,
1.0,
-1.0,
-1.0,
-1.0,
-1.0,
1.0,
1.0,
1.0,
1.0,
1.0,
-1.0,
1.0,
1.0,
-1.0,
-1.0,
1.0,
1.0,
-1.0,
1.0,
-1.0,
-1.0,
-1.0,
-1.0,
1.0,
-1.0,
1.0,
-1.0,
-1.0,
1.0,
1.0,
1.0,
-1.0,
1.0,
1.0,
-1.0,
-1.0,
1.0,
-1.0,
1.0,
1.0,
1.0,
1.0,
1.0,
1.0,
1.0,
-1.0,
-1.0,
-1.0,
-1.0,
1.0,
-1.0,
1.0,
1.0,
1.0,
-1.0,
-1.0,
-1.0,
-1.0,
-1.0,
-1.0,
-1.0]
可以看出来，这里使用的类别标签是-1和1
SMO算法的伪代码：
L==H
第0次迭代 样本:1, alpha优化次数:1
第0次迭代 样本:3, alpha优化次数:2
第0次迭代 样本:5, alpha优化次数:3
L==H
第0次迭代 样本:8, alpha优化次数:4
L==H
j not moving enough
j not moving enough
L==H
L==H
j not moving enough
L==H
第0次迭代 样本:30, alpha优化次数:5
第0次迭代 样本:31, alpha优化次数:6
L==H
L==H
第0次迭代 样本:54, alpha优化次数:7
L==H
L==H
第0次迭代 样本:71, alpha优化次数:8
L==H
L==H
L==H
第0次迭代 样本:79, alpha优化次数:9
L==H
第0次迭代 样本:92, alpha优化次数:10
j not moving enough
L==H
迭代次数：0
第0次迭代 样本:1, alpha优化次数:1
j not moving enough
j not moving enough
j not moving enough
j not moving enough
j not moving enough
L==H
L==H
j not moving enough
j not moving enough
j not moving enough
j not moving enough
L==H
j not moving enough
L==H
L==H
j not moving enough
j not moving enough
第0次迭代 样本:37, alpha优化次数:2
第0次迭代 样本:39, alpha优化次数:3
第0次迭代 样本:52, alpha优化次数:4
j not moving enough
j not moving enough
j not moving enough
j not moving enough
j not moving enough
第0次迭代 样本:71, alpha优化次数:5
j not moving enough
j not moving enough
j not moving enough
j not moving enough
j not moving enough
迭代次数：0
j not moving enough
j not moving enough
j not moving enough
第0次迭代 样本:8, alpha优化次数:1
L==H
j not moving enough
第0次迭代 样本:23, alpha优化次数:2
L==H
j not moving enough
j not moving enough
L==H
j not moving enough
j not moving enough
j not moving enough
第0次迭代 样本:39, alpha优化次数:3
L==H
j not moving enough
第0次迭代 样本:52, alpha优化次数:4
j not moving enough
第0次迭代 样本:55, alpha优化次数:5
L==H
L==H
L==H
L==H
L==H
j not moving enough
第0次迭代 样本:79, alpha优化次数:6
第0次迭代 样本:92, alpha优化次数:7
迭代次数：0
j not moving enough
L==H
j not moving enough
j not moving enough
L==H
j not moving enough
第0次迭代 样本:23, alpha优化次数:1
j not moving enough
j not moving enough
j not moving enough
j not moving enough
j not moving enough
j not moving enough
j not moving enough
L==H
L==H
第0次迭代 样本:51, alpha优化次数:2
j not moving enough
j not moving enough
j not moving enough
j not moving enough
L==H
第0次迭代 样本:69, alpha优化次数:3
L==H
j not moving enough
第0次迭代 样本:94, alpha优化次数:4
j not moving enough
j not moving enough
迭代次数：0
j not moving enough
j not moving enough
j not moving enough
j not moving enough
j not moving enough
...
迭代次数：497
j not moving enough
j not moving enough
j not moving enough
迭代次数：498
j not moving enough
j not moving enough
j not moving enough
迭代次数：499
j not moving enough
j not moving enough
j not moving enough
迭代次数：500