Java 支持向量机预测阅读数据测试

我在实现

svm\u predict

函数时遇到了一个很大的问题。我已经训练了svm，并准备了数据测试。这两个文件都在

.txt

中

file.Datatest

来自LBP（本地二进制模式），看起来像：

-0.6448744548418511

-0.7862774302452588

1.7746263060948377

---

我正在将其加载到

svm\u predict

函数中，编译程序后，在我的控制台上有：

准确度=0.0%（0/800）（分类）

所以看起来它不能读取数据测试

import libsvm.*;
import java.io.*;
import java.util.*;

class svm_predict {
    private static double atof(String s)
    {
        return Double.valueOf(s).doubleValue();
    }

    private static int atoi(String s)
    {
        return Integer.parseInt(s);
    }

    private static void predict(BufferedReader input, DataOutputStream output, svm_model model, int predict_probability) throws IOException
    {
        int correct = 0;
        int total = 0;
        double error = 0;
        double sumv = 0, sumy = 0, sumvv = 0, sumyy = 0, sumvy = 0;

        int svm_type=svm.svm_get_svm_type(model);
        int nr_class=svm.svm_get_nr_class(model);
        double[] prob_estimates=null;

        if(predict_probability == 1)
        {
            if(svm_type == svm_parameter.EPSILON_SVR ||
               svm_type == svm_parameter.NU_SVR)
            {
                System.out.print("Prob. model for test data: target value = predicted value + z,\nz: Laplace distribution e^(-|z|/sigma)/(2sigma),sigma="+svm.svm_get_svr_probability(model)+"\n");
            }
            else
            {
                int[] labels=new int[nr_class];
                svm.svm_get_labels(model,labels);
                prob_estimates = new double[nr_class];
                output.writeBytes("labels");
                for(int j=0;j<nr_class;j++)
                    output.writeBytes(" "+labels[j]);
                output.writeBytes("\n");
            }
        }
        while(true)
        {
            String line = input.readLine();
            if(line == null) break;

            StringTokenizer st = new StringTokenizer(line," \t\n\r\f:");

            double target = atof(st.nextToken());
            int m = st.countTokens()/2;
            svm_node[] x = new svm_node[m];
            for(int j=0;j<m;j++)
            {
                x[j] = new svm_node();
                x[j].index = atoi(st.nextToken());
                x[j].value = atof(st.nextToken());
            }

            double v;
            if (predict_probability==1 && (svm_type==svm_parameter.C_SVC || svm_type==svm_parameter.NU_SVC))
            {
                v = svm.svm_predict_probability(model,x,prob_estimates);
                output.writeBytes(v+" ");
                for(int j=0;j<nr_class;j++)
                    output.writeBytes(prob_estimates[j]+" ");
                output.writeBytes("\n");
            }
            else
            {
                v = svm.svm_predict(model,x);
                output.writeBytes(v+"\n");
            }

            if(v == target)
                ++correct;
            error += (v-target)*(v-target);
            sumv += v;
            sumy += target;
            sumvv += v*v;
            sumyy += target*target;
            sumvy += v*target;
            ++total;
        }
        if(svm_type == svm_parameter.EPSILON_SVR ||
           svm_type == svm_parameter.NU_SVR)
        {
            System.out.print("Mean squared error = "+error/total+" (regression)\n");
            System.out.print("Squared correlation coefficient = "+
                 ((total*sumvy-sumv*sumy)*(total*sumvy-sumv*sumy))/
                 ((total*sumvv-sumv*sumv)*(total*sumyy-sumy*sumy))+
                 " (regression)\n");
        }
        else
            System.out.print("Accuracy = "+(double)correct/total*100+
                 "% ("+correct+"/"+total+") (classification)\n");
    }

    private static void exit_with_help()
    {
        System.err.print("usage: svm_predict [options] test_file model_file output_file\n"
        +"options:\n"
        +"-b probability_estimates: whether to predict probability estimates, 0 or 1 (default 0); one-class SVM not supported yet\n");
        System.exit(1);
    }

    public static void main(String argv[]) throws IOException
    {
        int i, predict_probability=0;

        // parse options
        for(i=0;i<argv.length;i++)
        {
            if(argv[i].charAt(0) != '-') break;
            ++i;
            switch(argv[i-1].charAt(1))
            {
                case 'b':
                    predict_probability = atoi(argv[i]);
                    break;
                default:
                    System.err.print("Unknown option: " + argv[i-1] + "\n");
                    exit_with_help();
            }
        }
        if(i>=argv.length-2)
            exit_with_help();
        try 
        {
            BufferedReader input = new BufferedReader(new FileReader(argv[i]));
            DataOutputStream output = new DataOutputStream(new BufferedOutputStream(new FileOutputStream(argv[i+2])));
            svm_model model = svm.svm_load_model(argv[i+1]);
            if(predict_probability == 1)
            {
                if(svm.svm_check_probability_model(model)==0)
                {
                    System.err.print("Model does not support probabiliy estimates\n");
                    System.exit(1);
                }
            }
            else
            {
                if(svm.svm_check_probability_model(model)!=0)
                {
                    System.out.print("Model supports probability estimates, but disabled in prediction.\n");
                }
            }
            predict(input,output,model,predict_probability);
            input.close();
            output.close();
        } 
        catch(FileNotFoundException e) 
        {
            exit_with_help();
        }
        catch(ArrayIndexOutOfBoundsException e) 
        {
            exit_with_help();
        }
    }
}

导入libsvm.*；
导入java.io.*；
导入java.util.*；
类svm_预测{
专用静态双atof（字符串s）
{
返回Double.valueOf（s）.doubleValue（）；
}
私有静态int atoi（字符串s）
{
返回整数.parseInt；
}
私有静态无效预测（BufferedReader输入、DataOutputStream输出、svm_模型、int预测_概率）抛出IOException
{
int correct=0；
int-total=0；
双误差=0；
双sumv=0，sumy=0，sumvv=0，sumyy=0，sumvy=0；
int-svm_-type=svm.svm_-get_-svm_-type（模型）；
int nr_class=svm.svm_get_nr_class（模型）；
双[]概率估计值=空；
如果（预测概率==1）
{
如果（svm_类型==svm_参数.EPSILON_SVR||
svm_类型==svm_参数.NU_SVR）
{
System.out.print（“测试数据的概率模型：目标值=预测值+z，\nz:Laplace分布e^（-z |/sigma）/（2sigma），sigma=“+svm.svm_get_svr_概率（模型）+””\n”）；
}
其他的
{
int[]标签=新的int[nr_类]；
支持向量机获取标签（模型，标签）；
概率估计=新的双[nr_类]；
输出。写入字节（“标签”）；
对于（intj=0；j很难知道，因为这是一个大过程

确保您遵循他们的分类指南

数据应该按比例缩放，现在它似乎超过了1，这很难知道，因为这是一个大过程

确保您遵循他们的分类指南

数据应该被缩放，现在它似乎超过了1
这与这些家伙提供的免费libsvm库有关吗？徐志伟、张志忠和林志仁？Ya，这是libsvm的免费实现，仍然有一些问题，因为我无法获得任何预测结果欢迎使用堆栈溢出（通常称为）！与我看到的许多帖子相比，这是一篇非常好的第一篇帖子。我确实在问题的主体中设置了函数名的格式，因为它们是代码。此外，在您将“…”作为分隔符的地方，我将标记改为“------------”，正如您所看到的，这将在帖子中显示为一行。我所做的最后一件事是设置文件名和扩展名的格式s、 有一件事我搞不清楚，那就是你是否有负数，或者要点。快乐的编码！这与这些家伙提供的免费libsvm库有关吗？徐志伟、张志忠和林志仁？是的，这是libsvm的免费实现，仍然有一些错误，因为我无法获得任何预测结果elcome到堆栈溢出（通常称为SO）！与我看到的许多帖子相比，这是一篇非常好的第一篇帖子。我确实在问题的主体中设置了函数名的格式，因为它们是代码。此外，在您将“…”作为分隔符的地方，我将标记改为“------------”，正如您所看到的，这将在帖子中显示为一行。我所做的最后一件事是设置文件名和扩展名的格式s、 有一件事我搞不清楚，那就是你是否有负数，或者要点。编码快乐！