liblinear-train - Online na Nuvem

PROGRAMA:

NOME

liblinear-train – treina um classificador linear e produz um modelo

SINOPSE

trem liblinear [opções] arquivo_conjunto_treinamento [arquivo_modelo]

DESCRIÇÃO

trem liblinear treina um classificador linear usando liblinear e produz um modelo adequado
Para uso com previsão liblinear(1).

arquivo_conjunto_treinamento é o arquivo que contém os dados usados ​​para treinamento. arquivo_modelo é o
arquivo no qual o modelo será salvo. Se arquivo_modelo não é fornecido, o padrão é
treinamento_set_file.model.

Para obter bons desempenhos, às vezes é necessário dimensionar os dados. Isso pode ser feito com
escala svm(1).

OPÇÕES

Um resumo das opções está incluído abaixo.

-s tipo
Defina o tipo do solucionador:

0 ... Regressão logística regularizada L2

1 ... Classificação de vetor de suporte de perda L2 regularizada por L2 (dual) (padrão)

2 ... Classificação do vetor de suporte de perda L2 regularizado por L2 (primal)

3 ... Classificação do vetor de suporte de perda L2 regularizado por L1 (dual)

4 ... classificação de vetores de suporte multiclasse

5 ... Classificação do vetor de suporte de perda L1 regularizado por L2

6 ... Regressão logística regularizada L1

7 ... Regressão logística regularizada L2 (dual)

-c custo
Defina o parâmetro C (padrão: 1)

-e epsilon
Defina a tolerância do critério de rescisão

Para -s 0 e 2:

|f'(w)|_2 <= epsilon*min(pos,neg)/l*|f'(w0)_2, onde f é
a função primal e pos/neg são o número de dados positivos/negativos
(padrão: 0.01)

Para -s 1, 3, 4 e 7:

Violação máxima dupla <= epsilon; semelhante ao libsvm (padrão: 0.1)

Para -s 5 e 6:

|f'(w)|_inf <= epsilon*min(pos,neg)/l*|f'(w0)|_inf, onde f é o primal
função (padrão: 0.01)

-B viés
If viés >= 0, então a instância x se torna [x; viés]; se viés < 0, então
nenhum termo de polarização é adicionado (padrão: -1)

-wi peso
Peso ajusta o parâmetro C da classe i pelo valor peso

-v n n- modo de validação cruzada dobrada

-C Encontre o parâmetro C (apenas para -s 0 e 2)

-q Modo silencioso (sem saídas).

EXEMPLOS

Treine um SVM linear usando a função de perda L2:

arquivo de dados liblinear-train

Treine um modelo de regressão logística:

liblinear-train -s 0 arquivo_de_dados

Faça validação cruzada de cinco vezes usando SVM de perda L2, usando uma tolerância de parada menor 0.001
em vez do padrão 0.1 para soluções mais precisas:

liblinear-train -v 5 -e 0.001 arquivo_de_dados

Realize a validação cruzada muitas vezes pelo SVM com perda L2 e encontre o parâmetro C que atinge
a melhor precisão de validação cruzada:

treinar -C arquivo de dados

Para seleção de parâmetros por -C, os usuários podem especificar outros solucionadores (atualmente -s 0 e -s 2
são suportados) e número diferente de dobras de CV. Além disso, os usuários podem usar a opção -c para
especifique o menor valor C do intervalo de pesquisa. Esta configuração é útil quando os usuários desejam
para executar novamente o procedimento de seleção de parâmetro de um C especificado sob uma configuração diferente,
como uma tolerância de parada mais rigorosa -e 0.0001 no exemplo acima.

treinar -C -s 0 -v 3 -c 0.5 -e 0.0001 arquivo de dados

Treine quatro classificadores:

positivo negativo Cp Cn
classe 1 classe 2,3,4 20 10
classe 2 classe 1,3,4 50 10
classe 3 classe 1,2,4 20 10
classe 4 classe 1,2,3 10 10

liblinear-train -c 10 -w1 2 -w2 5 -w3 2 four_class_data_file

Se houver apenas duas classes, treinamos UM modelo. Os valores C para as duas classes são 10
e 50:

liblinear-train -c 10 -w3 1 -w2 5 arquivo_de_dados_de_classe_dois

Estimativas de probabilidade de saída (somente para regressão logística) usando previsão liblinear(1)

liblinear-predict -b 1 test_file arquivo_de_dados.model arquivo_de_saída

Use liblinear-train online usando serviços onworks.net