liblinear-train - Online în cloud

PROGRAM:

NUME

liblinear-train - antrenează un clasificator liniar și produce un model

REZUMAT

liniar-tren [Opțiuni] training_set_file [model_file]

DESCRIERE

liniar-tren antrenează un clasificator liniar folosind liblinear și produce un model adecvat
Pentru utilizare cu liblinear-predict(1).

training_set_file este fișierul care conține datele folosite pentru antrenament. model_file este
fișierul în care va fi salvat modelul. Dacă model_file nu este furnizat, este implicit
training_set_file.model.

Pentru a obține performanțe bune, uneori trebuie să scalați datele. Acest lucru se poate face cu
svm-scale(1).

OPŢIUNI

Un rezumat al opțiunilor este inclus mai jos.

-s tip
Setați tipul de rezolvare:

0 ... Regresie logistică L2-regularizată

1 ... Clasificare vector de suport L2-regularizat L2 (dual) (implicit)

2 ... L2-regularized L2-loss vector support clasification (primal)

3 ... L2-regularized L1-loss vector support classification (dual)

4 ... clasificare a vectorilor de suport multiclase

5 ... L1-regularizat L2-clasificare vector suport de pierdere

6 ... Regresie logistică L1-regularizată

7 ... regresie logistică regulată L2 (duală)

-c costa
Setați parametrul C (implicit: 1)

-e epsilon
Setați toleranța criteriului de terminare

Pentru -s 0 și 2:

|f'(w)|_2 <= epsilon*min(pos,neg)/l*|f'(w0)_2, unde f este
funcția primară și pos/neg sunt numărul de date pozitive/negative
(Mod implicit: 0.01)

Pentru -s 1, 3, 4 și 7:

Încălcare maximă duală <= epsilon; similar cu libsvm (implicit: 0.1)

Pentru -s 5 și 6:

|f'(w)|_inf <= epsilon*min(pos,neg)/l*|f'(w0)|_inf, unde f este primal
funcție (implicit: 0.01)

-B părtinire
If părtinire >= 0, atunci instanța x devine [x; părtinire]; dacă părtinire < 0, atunci
nu este adăugat niciun termen de părtinire (implicit: -1)

-wi greutate
Greutate-ajustează parametrul C al clasei i prin valoare greutate

-v n n-modul de validare încrucișată

-C Găsiți parametrul C (numai pentru -s 0 și 2)

-q Mod silențios (fără ieșiri).

EXEMPLE

Antrenează un SVM liniar folosind funcția de pierdere L2:

liblinear-train data_file

Antrenează un model de regresie logistică:

liblinear-train -s 0 data_file

Efectuați validarea încrucișată de cinci ori folosind SVM cu pierdere L2, folosind o toleranță de oprire mai mică de 0.001
în loc de 0.1 implicit pentru soluții mai precise:

liblinear-train -v 5 -e 0.001 data_file

Efectuați validarea încrucișată de mai multe ori prin L2-loss SVM și găsiți parametrul C care realizează
cea mai bună acuratețe de validare încrucișată:

train -C datafile

Pentru selectarea parametrilor prin -C, utilizatorii pot specifica alte soluții (în prezent -s 0 și -s 2
sunt acceptate) și un număr diferit de pliuri CV. În plus, utilizatorii pot folosi opțiunea -c pentru
specificați cea mai mică valoare C a intervalului de căutare. Această setare este utilă atunci când doresc utilizatorii
pentru a rula din nou procedura de selecție a parametrilor de la un C specificat cu o setare diferită,
cum ar fi o toleranță de oprire mai strictă -e 0.0001 în exemplul de mai sus.

tren -C -s 0 -v 3 -c 0.5 -e 0.0001 fișier de date

Antrenează patru clasificatori:

pozitiv negativ Cp Cn
clasa 1 clasa 2,3,4 20 10
clasa 2 clasa 1,3,4 50 10
clasa 3 clasa 1,2,4 20 10
clasa 4 clasa 1,2,3 10 10

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

Dacă sunt doar două clase, antrenăm UN singur model. Valorile C pentru cele două clase sunt 10
și 50:

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

Estimări de probabilitate de ieșire (doar pentru regresia logistică) folosind liblinear-predict(1):

liblinear-predict -b 1 fișier_test fișier_date.model fișier_ieșire

Utilizați liblinear-train online folosind serviciile onworks.net