Ini ialah arahan svm-train yang boleh dijalankan dalam penyedia pengehosan percuma OnWorks menggunakan salah satu daripada berbilang stesen kerja dalam talian percuma kami seperti Ubuntu Online, Fedora Online, emulator dalam talian Windows atau emulator dalam talian MAC OS.
JADUAL:
NAMA
svm-train - melatih satu atau lebih contoh SVM pada set data yang diberikan untuk menghasilkan fail model
SINOPSIS
svm-kereta api [-s svm_type ] [ -t kernel_type ] [ -d ijazah ] [ -g pelbagai ] [ -r coef0 ] [ -c
kos ] [ -n nu ] [ -p epsilon ] [ -m saiz cache ] [ -e epsilon ] [ -h mengecut ] [ -b
kebarangkalian_anggaran ] ] [ -wi berat ] [ -v n ] [ -q ]
latihan_set_fail [ fail_model ]
DESCRIPTION
svm-kereta api melatih Mesin Vektor Sokongan untuk mempelajari data yang ditunjukkan dalam
latihan_set_fail
dan menghasilkan a fail_model
untuk menyimpan hasil pengoptimuman pembelajaran. Model ini boleh digunakan kemudian dengan
svm_predict(1) atau perisian lain yang didayakan LIBSVM.
PILIHAN
-s svm_type
svm_type lalai kepada 0 dan boleh menjadi sebarang nilai antara 0 dan 4 seperti berikut:
0 -- C-SVC
1 -- nu-SVC
2 -- satu kelas SVM
3 -- epsilon-SVR
4 -- nu-SVR
-t kernel_type
kernel_type lalai kepada 2 (Radial Basis Function (RBF) kernel) dan boleh menjadi sebarang nilai
antara 0 dan 4 seperti berikut:
0 -- linear: uv
1 -- polinomial: (gamma*uv + coef0)^darjah
2 -- jejarian asas fungsi: exp(-gamma*|uv|^2)
3 -- sigmoid: tanh(gamma*uv + coef0)
4 -- prakiraan kernel (kernel nilai in set_latihan_fail) --
-d ijazah
Menetapkan ijazah fungsi kernel, lalai kepada 3
-g gamma
Melaraskan pelbagai dalam fungsi kernel (lalai 1/k)
-r coef0
Menetapkan coef0 (offset berterusan) dalam fungsi kernel (lalai 0)
-c kos
Menetapkan parameter C ( kos ) C-SVC, epsilon-SVR dan nu-SVR (lalai 1)
-n nu Menetapkan parameter nu nu-SVC, SVM satu kelas dan nu-SVR (lalai 0.5)
-p epsilon
Menetapkan epsilon dalam fungsi kehilangan epsilon-SVR (lalai 0.1)
-m saiz cache
Tetapkan saiz memori cache kepada saiz cache dalam MB (lalai 100)
-epsilon
Tetapkan toleransi kriteria penamatan kepada epsilon (lalai 0.001)
-h mengecut
Sama ada hendak menggunakan mengecut
heuristik, 0 atau 1 (lalai 1)
-b-anggaran-kebarangkalian
kebarangkalian_anggaran ialah nilai binari yang menunjukkan sama ada untuk mengira kebarangkalian
anggaran semasa melatih model SVC atau SVR. Nilai ialah 0 atau 1 dan lalai kepada 0
untuk kelajuan.
-wi berat
Tetapkan parameter C (kos) kelas i kepada berat*C, untuk C-SVC (lalai 1)
-vn Set n khususnya n -lipat mod pengesahan silang
-q mod senyap; menyekat mesej untuk stdout.
Gunakan svm-train dalam talian menggunakan perkhidmatan onworks.net
