什么孕妇奶粉最好,最近上映的新电影,玩物丧志的反义词
libsvm支持向量机算法包的基本使用,此处演示的是支持向量回归机
import libsvm.svm;
import libsvm.svm_model;
import libsvm.svm_node;
import libsvm.svm_parameter;
import libsvm.svm_problem;
public class svm {
public static void main(string[] args) {
// 定义训练集点a{10.0, 10.0} 和 点b{-10.0, -10.0},对应lable为{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]; // 训练集的向量表
for (int i = 0; i < datas.length; i++) {
for (int j = 0; j < datarange; j++) {
datas[i][j] = nodeset.get(i)[j];
}
}
double[] lables = new double[label.size()]; // a,b 对应的lable
for (int i = 0; i < lables.length; i++) {
lables[i] = label.get(i);
}
// 定义svm_problem对象
svm_problem problem = new svm_problem();
problem.l = nodeset.size(); // 向量个数
problem.x = datas; // 训练集向量表
problem.y = lables; // 对应的lable数组
// 定义svm_parameter对象
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;
// 训练svm分类模型
system.out.println(svm.svm_check_parameter(problem, param));
// 如果参数没有问题,则svm.svm_check_parameter()函数返回null,否则返回error描述。
svm_model model = svm.svm_train(problem, param);
// svm.svm_train()训练出svm分类模型
// 获取测试数据
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]; // 训练集的向量表
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()]; // a,b 对应的lable
for (int i = 0; i < testlables.length; i++) {
testlables[i] = testlabel.get(i);
}
// 预测测试数据的lable
double err = 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,
string filename) {
try {
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]);
vector[i] = node;
}
nodeset.add(vector);
double lablevalue = double.parsedouble(datas[datas.length - 1]);
label.add(lablevalue);
}
} catch (exception e) {
e.printstacktrace();
}
}
}
训练数据,最后一列为目标值
测试数据
如对本文有疑问,请在下面进行留言讨论,广大热心网友会与你互动!! 点击进行留言回复
如何在java 8 stream表达式实现if/else逻辑
Java中有界队列的饱和策略(reject policy)原理解析
网友评论