liblinear-train - Online sa Cloud

PROGRAMA:

NAME

liblinear-train - sanayin ang isang linear classifier at gumawa ng isang modelo

SINOPSIS

liblinear-tren [pagpipilian] pagsasanay_set_file [model_file]

DESCRIPTION

liblinear-tren nagsasanay ng linear classifier gamit ang liblinear at gumagawa ng angkop na modelo
para magamit sa liblinear-predictNa (1).

pagsasanay_set_file ay ang file na naglalaman ng data na ginamit para sa pagsasanay. model_file ay ang
file kung saan ise-save ang modelo. Kung model_file ay hindi ibinigay, ito ay default sa
training_set_file.model.

Upang makakuha ng mahusay na pagganap, kung minsan kailangan ng isa na sukatin ang data. Ito ay maaaring gawin sa
svm-scaleNa (1).

Opsyon

Ang isang buod ng mga opsyon ay kasama sa ibaba.

-s uri
Itakda ang uri ng solver:

0 ... L2-regularized logistic regression

1 ... L2-regularized L2-loss support vector classification (dual) (default)

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

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

4 ... multi-class support vector classification

5 ... L1-regularized L2-loss support vector classification

6 ... L1-regularized logistic regression

7 ... L2-regularized logistic regression (dalawahan)

-c gastos
Itakda ang parameter C (default: 1)

-e epsilon
Itakda ang tolerance ng criterion sa pagwawakas

Para sa -s 0 at 2:

|f'(w)|_2 <= epsilon*min(pos,neg)/l*|f'(w0)_2, kung saan ang f
ang primal function at pos/neg ay ang bilang ng positibo/negatibong data
(default: 0.01)

Para sa -s 1, 3, 4 at 7:

Dalawang pinakamataas na paglabag <= epsilon; katulad ng libsvm (default: 0.1)

Para sa -s 5 at 6:

|f'(w)|_inf <= epsilon*min(pos,neg)/l*|f'(w0)|_inf, kung saan f ang primal
function (default: 0.01)

-B pagkiling
If pagkiling >= 0, kung gayon ang x ay magiging [x; bias]; kung pagkiling < 0, pagkatapos
walang bias term na idinagdag (default: -1)

-wi timbang
Inaayos ng timbang ang parameter C ng klase i sa pamamagitan ng halaga timbang

-v n n-fold cross validation mode

-C Hanapin ang parameter C (para lamang sa -s 0 at 2)

-q Tahimik na mode (walang mga output).

HALIMBAWA

Sanayin ang isang linear na SVM gamit ang L2-loss function:

liblinear-train data_file

Sanayin ang isang modelo ng logistic regression:

liblinear-train -s 0 data_file

Gumawa ng limang beses na cross-validation gamit ang L2-loss SVM, gamit ang mas maliit na stopping tolerance 0.001
sa halip na ang default na 0.1 para sa mas tumpak na mga solusyon:

liblinear-train -v 5 -e 0.001 data_file

Magsagawa ng cross validation nang maraming beses sa pamamagitan ng L2-loss SVM at hanapin ang parameter na C na nakakamit
ang pinakamahusay na katumpakan ng cross validation:

tren -C datafile

Para sa pagpili ng parameter ng -C, maaaring tukuyin ng mga user ang iba pang solver (kasalukuyang -s 0 at -s 2
ay suportado) at iba't ibang bilang ng mga CV fold. Dagdag pa, magagamit ng mga user ang -c na opsyon para
tukuyin ang pinakamaliit na C value ng hanay ng paghahanap. Kapaki-pakinabang ang setting na ito kapag gusto ng mga user
upang muling patakbuhin ang pamamaraan sa pagpili ng parameter mula sa isang tinukoy na C sa ilalim ng ibang setting,
tulad ng mas mahigpit na pagpapaubaya sa paghinto -e 0.0001 sa halimbawa sa itaas.

tren -C -s 0 -v 3 -c 0.5 -e 0.0001 datafile

Sanayin ang apat na classifier:

positibong negatibong Cp Cn
klase 1 klase 2,3,4 20 10
klase 2 klase 1,3,4 50 10
klase 3 klase 1,2,4 20 10
klase 4 klase 1,2,3 10 10

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

Kung dalawa lang ang klase, ISANG modelo ang sinasanay namin. Ang mga halaga ng C para sa dalawang klase ay 10
at 50:

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

Mga pagtatantya sa posibilidad ng output (para sa logistic regression lang) gamit liblinear-predict(1):

liblinear-predict -b 1 test_file data_file.model output_file

Gumamit ng liblinear-train online gamit ang mga serbisyo ng onworks.net