pkfssvm - Dalam Talian di Awan

JADUAL:

NAMA

pkfssvm - pemilihan ciri untuk pengelas nn

SINOPSIS

pkfssvm -t latihan -n nombor [pilihan] [maju pilihan]

DESCRIPTION

Masalah klasifikasi yang berurusan dengan data input dimensi tinggi boleh mencabar kerana
fenomena Hughes. Data hiperspektral, misalnya, boleh mempunyai ratusan spektrum
band dan memerlukan perhatian khusus apabila dikelaskan. Khususnya apabila terhad
data latihan tersedia, klasifikasi data tersebut boleh menjadi masalah tanpa
mengurangkan dimensi.

Pengelas SVM telah terbukti lebih teguh untuk jenis masalah ini daripada yang lain.
Namun begitu, ketepatan pengelasan selalunya boleh dipertingkatkan dengan pemilihan ciri
kaedah. Utiliti pkfssvm melaksanakan beberapa teknik pemilihan ciri, antaranya
yang merupakan carian terapung berurutan (SFFS).

PILIHAN

-t nama fail, --latihan nama fail
fail vektor latihan. Fail vektor tunggal mengandungi semua ciri latihan (mesti
ditetapkan sebagai: B0, B1, B2,...) untuk semua kelas (nombor kelas dikenal pasti mengikut pilihan label).
Gunakan berbilang fail latihan untuk pengagregatan bootstrap (alternatif kepada beg dan
pilihan bsize, di mana subset rawak diambil daripada satu fail latihan)

-n nombor, --nf nombor
bilangan ciri untuk dipilih (0 untuk memilih nombor optimum, lihat juga --ekos pilihan)

-i nama fail, --input nama fail
set ujian input (biarkan kosong untuk melakukan pengesahan silang berdasarkan latihan sahaja)

-v tahap, --verbose tahap
ditetapkan kepada: 0 (hasil sahaja), 1 (matriks kekeliruan), 2 (nyahpepijat)

Pilihan lanjutan

-tln lapisan, --tln lapisan
nama lapisan latihan

-label atribut, --label atribut
pengecam untuk label kelas dalam fail vektor latihan. (lalai: label)

-bal saiz, --seimbang saiz
mengimbangi data input kepada bilangan sampel ini untuk setiap kelas (lalai: 0)

-rawak, --rawak
dalam kes baki, rawak data input

-min nombor, --min nombor
jika bilangan piksel latihan kurang daripada min, jangan ambil kira kelas ini

-b band, --band band
indeks jalur (bermula dari 0, sama ada gunakan pilihan jalur atau gunakan mula hingga akhir)

-sband band, --jalur permulaan band
mulakan nombor urutan jalur

-eband band, --jalur akhir band
nombor urutan jalur tamat

-mengimbangi nilai, --offset nilai
nilai offset untuk setiap ciri input jalur spektrum:
refl[band]=(DN[band]-offset[band])/skala[band]

-skala nilai, --skala nilai
nilai skala untuk setiap ciri input jalur spektrum:
refl=(DN[band]-offset[band])/scale[band] (gunakan 0 jika skala min dan maks dalam setiap jalur
kepada -1.0 dan 1.0)

-svmt jenis, --svmtype jenis
jenis SVM (C_SVC, nu_SVC, one_class, epsilon_SVR, nu_SVR)

-kt jenis, --jenis kernel jenis
jenis fungsi kernel (linear, polinomial, jejari, sigmoid)

-kd nilai, --kd nilai
ijazah dalam fungsi kernel

-g nilai, --gamma nilai
gamma dalam fungsi kernel

-c0 nilai, --coef0 nilai
coef0 dalam fungsi kernel

-cc nilai, --ccost nilai
parameter C C-SVC, epsilon-SVR dan nu-SVR

-nu nilai, --nu nilai
nu parameter nu-SVC, SVM satu kelas dan nu-SVR

-elos nilai, --elos nilai
epsilon dalam kehilangan fungsi epsilon-SVR

-cache nombor, --cache nombor
saiz memori cache dalam MB (lalai: 100)

-etol nilai, --etol nilai
toleransi kriteria penamatan (lalai: 0.001)

-mengecut, --mengecut
sama ada menggunakan heuristik yang mengecut

-sm kaedah, --sm kaedah
kaedah pemilihan ciri (sffs=sequential floating forward search, sfs=sequential
carian ke hadapan, sbs, carian ke belakang berurutan, bfs=brute force search)

-ekos nilai, --ekos nilai
epsilon untuk menghentikan kriteria dalam fungsi kos untuk menentukan bilangan optimum bagi
ciri-ciri

-CV nilai, --CV nilai
mod pengesahan silang n lipatan (lalai: 0)

-c nama, --kelas nama
senarai nama kelas.

-r nilai, --kelas semula nilai
senarai nilai kelas (gunakan susunan yang sama seperti dalam --kelas pilihan).

Gunakan pkfssvm dalam talian menggunakan perkhidmatan onworks.net