其他分享
首页 > 其他分享> > LibSVM工具实现决策树训练

LibSVM工具实现决策树训练

作者:互联网

目录

一、下载LibSVM

二、使用LibSVM制作鸢尾花数据集

三、利用上述数据集实现模型训练并写出决策函数的数学公式

四、总结


一、下载LibSVM

LIBSVM -- A Library for Support Vector Machines

二、使用LibSVM制作鸢尾花数据集

将下载好的压缩包解压

 打开后点击Windows,找到svm-toy.exe的运行程序并运行

手动生成

然后点击保存,在点几个数据,再点击保存

三、利用上述数据集实现模型训练并写出决策函数的数学公式

打开IDEA

新建一个java项目

将解压文件下的Java文件中的libsvm文件中的所有文件复制到项目中

 

在项目中新建一个Test

将Java中的4个文件复制进去

 

 

然后在test类中添加代码

package test;

import java.io.IOException;

class test1 {
    public static void main(String args[]) throws IOException {
        //存放数据以及保存模型文件路径
        String filepath = "D:\\SVm test\\";
        /*
         * -s 设置svm类型:默认值为0
         *          0– C-SVC
         *          1 – v-SVC
         *          2 – one-class-SVM
         *          3 –ε-SVR
         *          4 – n - SVR
         *
         * -t 设置核函数类型,默认值为2
         *          0 --线性核
         *          1 --多项式核
         *          2 -- RBF核
         *          3 -- sigmoid核
         *
         * -d degree:设置多项式核中degree的值,默认为3
         *
         * -c cost:设置C-SVC、ε-SVR、n - SVR中从惩罚系数C,默认值为1;
         */
        String[] arg = {"-s","0","-c","10","-t","0",filepath+"456.txt",filepath+"line.txt"};
        String[] arg1 = {filepath+"678.txt",filepath+"line.txt",filepath+"predict1.txt"};
        System.out.println("----------------线性-----------------");
        //训练函数
        svm_train.main(arg);
        svm_predict.main(arg1);


        arg[5]="1";
        arg[7]=filepath+"poly.txt";//输出文件路径
        arg1[1]=filepath+"poly.txt";
        arg1[2]=filepath+"predict2.txt";
        System.out.println("---------------多项式-----------------");
        svm_train.main(arg);
        svm_predict.main(arg1);

        arg[5]="2";
        arg[7]=filepath+"RBF.txt";
        arg1[1]=filepath+"RBF.txt";
        arg1[2]=filepath+"predict3.txt";
        System.out.println("---------------高斯核-----------------");
        svm_train.main(arg);
        svm_predict.main(arg1);

    }
}

 点击运行

输出参数说明

optimization finished,#iter = 17 //17表示迭代次数,

nu = 0.3844657082933367 //核函数的参数

obj = -138.55922083214205, rho = -1.426383952712586

//obj是SVM转换为的二次规划求解得到的最小值对偶题的最优目标值,rho是决策函数 //sgn(w^x-rho)中的偏差项(也是b,wx+b)。

nSV = 19, nBSV = 16 //nSV是支持向量的个数,nBSV是边界上支持向量的个数

Total nSV = 19 //支持向量的总的个数

Accuracy = 91.37931034482759% (53/58) (classification) //精度

分析结果可知多项式和高斯核训练的模型精度略高于线性

决策函数

在D:\SVm test目录下生成了

任意打开一个文件

 

可以看见文件中除了有上述输出参数以及所有支持向量的数据。

四、总结

使用LibSVM工具进行决策树训练,不仅能够直观地以图形界面显示,也能利用工具中的代码灵活地在项目中使用,并得到相关系数的输出 

标签:main,svm,训练,filepath,arg1,LibSVM,arg,txt,决策树
来源: https://blog.csdn.net/qq_45874317/article/details/121410100