এটি হল লিবলিনিয়ার-ট্রেন কমান্ড যা আমাদের একাধিক বিনামূল্যের অনলাইন ওয়ার্কস্টেশন যেমন উবুন্টু অনলাইন, ফেডোরা অনলাইন, উইন্ডোজ অনলাইন এমুলেটর বা MAC OS অনলাইন এমুলেটর ব্যবহার করে OnWorks ফ্রি হোস্টিং প্রদানকারীতে চালানো যেতে পারে।
কার্যক্রম:
NAME এর
liblinear-train - একটি লিনিয়ার ক্লাসিফায়ারকে প্রশিক্ষণ দিন এবং একটি মডেল তৈরি করুন
সাইনোপিসিস
liblinear-ট্রেন [অপশন] প্রশিক্ষণ_সেট_ফাইল [মডেল_ফাইল]
বর্ণনাঃ
liblinear-ট্রেন লিবলিনিয়ার ব্যবহার করে একটি রৈখিক শ্রেণিবিন্যাসকারীকে প্রশিক্ষণ দেয় এবং উপযুক্ত মডেল তৈরি করে
সঙ্গে ব্যবহারের জন্য liblinear-ভবিষ্যদ্বাণী(1).
প্রশিক্ষণ_সেট_ফাইল প্রশিক্ষণের জন্য ব্যবহৃত ডেটা ধারণকারী ফাইল। মডেল_ফাইল হয়
ফাইল যেখানে মডেল সংরক্ষণ করা হবে। যদি মডেল_ফাইল প্রদান করা হয় না, এটি ডিফল্ট
training_set_file.model.
ভাল পারফরম্যান্স পেতে, কখনও কখনও একজনকে ডেটা স্কেল করতে হবে। এটি দিয়ে করা যেতে পারে
svm-স্কেল(1).
বিকল্প
বিকল্পগুলির একটি সারাংশ নীচে অন্তর্ভুক্ত করা হয়েছে।
-s আদর্শ
সমাধানকারীর ধরন সেট করুন:
0 ... L2-নিয়মিত লজিস্টিক রিগ্রেশন
1 ... L2-নিয়মিত L2-ক্ষতি সমর্থন ভেক্টর শ্রেণীবিভাগ (দ্বৈত) (ডিফল্ট)
2 ... L2-নিয়মিত L2-ক্ষতি সমর্থন ভেক্টর শ্রেণীবিভাগ (প্রাথমিক)
3 ... L2-নিয়মিত L1-ক্ষতি সমর্থন ভেক্টর শ্রেণীবিভাগ (দ্বৈত)
4 ... মাল্টি-ক্লাস সমর্থন ভেক্টর শ্রেণীবিভাগ
5 ... L1-নিয়মিত L2-ক্ষতি সমর্থন ভেক্টর শ্রেণীবিভাগ
6 ... L1-নিয়মিত লজিস্টিক রিগ্রেশন
7 ... L2-নিয়মিত লজিস্টিক রিগ্রেশন (দ্বৈত)
-c মূল্য
প্যারামিটার সি সেট করুন (ডিফল্ট: 1)
-e Epsilon
সমাপ্তির মানদণ্ডের সহনশীলতা সেট করুন
-s 0 এবং 2 এর জন্য:
|f'(w)|_2 <= Epsilon*min(pos,neg)/l*|f'(w0)_2, যেখানে f
প্রাথমিক ফাংশন এবং pos/neg হল ধনাত্মক/নেতিবাচক ডেটার সংখ্যা
(ডিফল্ট: 0.01)
-s 1, 3, 4 এবং 7 এর জন্য:
দ্বৈত সর্বোচ্চ লঙ্ঘন <= Epsilon; libsvm অনুরূপ (ডিফল্ট: 0.1)
-s 5 এবং 6 এর জন্য:
|f'(w)|_inf <= Epsilon*min(pos,neg)/l*|f'(w0)|_inf, যেখানে f হল প্রাথমিক
ফাংশন (ডিফল্ট: 0.01)
-B পক্ষপাত
If পক্ষপাত >= 0, তাহলে উদাহরণ x হয়ে যায় [x; পক্ষপাত]; যদি পক্ষপাত < 0, তারপর
কোন পক্ষপাত শব্দ যোগ করা হয় না (ডিফল্ট: -1)
-wi ওজন
ক্লাসের প্যারামিটার C-কে ওজন-সামঞ্জস্য করে i মান দ্বারা ওজন
-v n n-ভাঁজ ক্রস বৈধতা মোড
-C প্যারামিটার সি খুঁজুন (শুধুমাত্র -s 0 এবং 2 এর জন্য)
-q শান্ত মোড (কোন আউটপুট নেই)।
উদাহরণ
L2-লস ফাংশন ব্যবহার করে একটি লিনিয়ার SVM প্রশিক্ষণ দিন:
liblinear-train data_file
একটি লজিস্টিক রিগ্রেশন মডেল প্রশিক্ষণ:
liblinear-train -s 0 data_file
একটি ছোট স্টপিং টলারেন্স 2 ব্যবহার করে L0.001-লস SVM ব্যবহার করে পাঁচ-গুণ ক্রস-ভ্যালিডেশন করুন
আরও সঠিক সমাধানের জন্য ডিফল্ট 0.1 এর পরিবর্তে:
liblinear-train -v 5 -e 0.001 data_file
L2-ক্ষতি SVM দ্বারা বহুবার ক্রস বৈধতা পরিচালনা করুন এবং সি প্যারামিটারটি সন্ধান করুন যা অর্জন করে
সেরা ক্রস বৈধতা নির্ভুলতা:
ট্রেন -সি ডেটাফাইল
-C দ্বারা পরামিতি নির্বাচনের জন্য, ব্যবহারকারীরা অন্যান্য সমাধানকারী নির্দিষ্ট করতে পারেন (বর্তমানে -s 0 এবং -s 2
সমর্থিত) এবং বিভিন্ন সংখ্যক সিভি ভাঁজ। আরও, ব্যবহারকারীরা -c বিকল্পটি ব্যবহার করতে পারেন
অনুসন্ধান পরিসরের ক্ষুদ্রতম সি মান উল্লেখ করুন। ব্যবহারকারীরা চাইলে এই সেটিংটি কার্যকর
একটি ভিন্ন সেটিং এর অধীনে একটি নির্দিষ্ট সি থেকে পরামিতি নির্বাচন পদ্ধতি পুনরায় চালানোর জন্য,
যেমন উপরের উদাহরণে একটি কঠোর স্টপিং টলারেন্স -e 0.0001।
ট্রেন -C -s 0 -v 3 -c 0.5 -e 0.0001 ডেটাফাইল
চারটি ক্লাসিফায়ারকে প্রশিক্ষণ দিন:
ইতিবাচক নেতিবাচক Cp Cn
ক্লাস 1 ক্লাস 2,3,4 20 10
ক্লাস 2 ক্লাস 1,3,4 50 10
ক্লাস 3 ক্লাস 1,2,4 20 10
ক্লাস 4 ক্লাস 1,2,3 10 10
liblinear-train -c 10 -w1 2 -w2 5 -w3 2 four_class_data_file
যদি শুধুমাত্র দুটি শ্রেণী থাকে, আমরা একটি মডেল প্রশিক্ষণ. দুটি শ্রেণীর জন্য C মান হল 10
এবং 50:
liblinear-train -c 10 -w3 1 -w2 5 two_class_data_file
আউটপুট সম্ভাব্যতা অনুমান (শুধুমাত্র লজিস্টিক রিগ্রেশনের জন্য) ব্যবহার করে liblinear-ভবিষ্যদ্বাণী(1)
liblinear-predict -b 1 test_file data_file.model output_file
onworks.net পরিষেবা ব্যবহার করে অনলাইনে liblinear-train ব্যবহার করুন
