LibSvm使用JAVA添加特性

Question

我有一个文本，我想通过使用java添加特性来进行培训。查看示例，构建培训集的主要类是svm_problem。看起来，svm_node表示一个特性(索引是该特性，值是该功能的权重)。

我所做的就是有一个地图(只是为了简化问题)，以保持功能和索引之间的关联。对于我的每个weight>示例，我确实创建了一个新节点：

  svm_node currentNode = new svm_node();
  int index = feature.getIndexInMap();
  double value = feature.getWeight();
  currentNode.index = index;
  currentNode.value = value;

我的直觉正确吗？svm_problem.y指的是什么？它是指标签的索引吗？svm_problem.l仅仅是两个向量的长度吗？

Answer 1

您的直觉非常接近，但是svm_node是一个模式，而不是一个特性。变量svm_problem.y是一个数组，它包含每个模式的标签，而svm_problem.l是训练集的大小。

另外，请注意，svm_parameter.nr_weight是每个标签的权重(如果您有一个不平衡的培训集，则很有用)，但是如果您不打算使用它，则必须将该值设置为零。

让我在C++中向您展示一个简单的示例：

#include "svm.h"
#include <iostream>

using namespace std;

int main()
{
    svm_parameter params;


    params.svm_type = C_SVC;
    params.kernel_type = RBF;
    params.C = 1;
    params.gamma = 1;
    params.nr_weight = 0;
    params.p= 0.0001;

    svm_problem problem;
    problem.l = 4;
    problem.y = new double[4]{1,-1,-1,1};
    problem.x = new svm_node*[4];

    {
    problem.x[0] = new svm_node[3];
    problem.x[0][0].index = 1;
    problem.x[0][0].value = 0;
    problem.x[0][1].index = 2;
    problem.x[0][1].value = 0;
    problem.x[0][2].index = -1;

    }

    {
    problem.x[1] = new svm_node[3];
    problem.x[1][0].index = 1;
    problem.x[1][0].value = 1;
    problem.x[1][1].index = 2;
    problem.x[1][1].value = 0;
    problem.x[1][2].index = -1;
    }

    {
    problem.x[2] = new svm_node[3];
    problem.x[2][0].index = 1;
    problem.x[2][0].value = 0;
    problem.x[2][1].index = 2;
    problem.x[2][1].value = 1;
    problem.x[2][2].index = -1;
    }

   {
    problem.x[3] = new svm_node[3];
    problem.x[3][0].index = 1;
    problem.x[3][0].value = 1;
    problem.x[3][1].index = 2;
    problem.x[3][1].value = 1;
    problem.x[3][2].index = -1;

    }

    for(int i=0; i<4; i++)
    {
        cout << problem.y[i] << endl;
    }

    svm_model * model = svm_train(&problem, &params);
    svm_save_model("mymodel.svm", model);

    for(int i=0; i<4; i++)
    {
        double d = svm_predict(model, problem.x[i]);

        cout << "Prediction " << d << endl;
    }
    /* We should free the memory at this point. 
       But this example is large enough already */ 
}