Este es el comando liblinear-train que se puede ejecutar en el proveedor de alojamiento gratuito de OnWorks utilizando una de nuestras múltiples estaciones de trabajo en línea gratuitas, como Ubuntu Online, Fedora Online, emulador en línea de Windows o emulador en línea de MAC OS.
PROGRAMA:
NOMBRE
liblinear-train - entrena un clasificador lineal y produce un modelo
SINOPSIS
tren-liblineal [opciones] archivo_conjunto_entrenamiento [archivo_modelo]
DESCRIPCIÓN
tren-liblineal entrena un clasificador lineal usando liblinear y produce un modelo adecuado
para usar con predicción liblineal(1).
archivo_conjunto_entrenamiento es el archivo que contiene los datos utilizados para el entrenamiento. archivo_modelo son los
archivo en el que se guardará el modelo. Si archivo_modelo no se proporciona, por defecto es
archivo_conjunto_de_entrenamiento.modelo.
Para obtener buenos resultados, a veces es necesario escalar los datos. Esto se puede hacer con
escala svm(1).
OPCIONES
Un resumen de las opciones se incluye a continuación.
-s tipo
Establezca el tipo de solucionador:
0 ... Regresión logística regularizada L2
1 ... Clasificación de vector de soporte de pérdida L2 regularizada L2 (dual) (predeterminado)
2 ... Clasificación de vector de soporte de pérdida L2 regularizada L2 (primaria)
3 ... Clasificación de vector de soporte de pérdida L2 regularizada L1 (dual)
4 ... clasificación de vectores de soporte de clases múltiples
5 ... Clasificación de vector de soporte de pérdida L1 regularizada L2
6 ... Regresión logística regularizada L1
7 ... Regresión logística regularizada L2 (dual)
-c cost
Configure el parámetro C (predeterminado: 1)
-e epsilon
Establecer la tolerancia del criterio de terminación
Para -s 0 y 2:
| f '(w) | _2 <= epsilon* min (pos, neg) / l * | f '(w0) _2, donde f es
la función primaria y pos / neg son el número de datos positivos / negativos
(defecto: 0.01)
Para -s 1, 3, 4 y 7:
Violación máxima dual <= epsilon; similar a libsvm (predeterminado: 0.1)
Para -s 5 y 6:
| f '(w) | _inf <= epsilon* min (pos, neg) / l * | f '(w0) | _inf, donde f es el primal
función (por defecto: 0.01)
-B parcialidad
If parcialidad > = 0, entonces la instancia x se convierte en [x; parcialidad]; si parcialidad <0, entonces
no se agrega ningún término de sesgo (predeterminado: -1)
-wi peso
Peso: ajusta el parámetro C de clase. i por el valor peso
-v n n-modo de validación cruzada
-C Encuentre el parámetro C (solo para -s 0 y 2)
-q Modo silencioso (sin salidas).
EJEMPLOS
Entrene una SVM lineal usando la función de pérdida L2:
liblinear-train archivo_de_datos
Entrene un modelo de regresión logística:
liblinear-train -s 0 archivo_de_datos
Realice una validación cruzada de cinco veces utilizando SVM de pérdida L2, utilizando una tolerancia de parada más pequeña 0.001
en lugar del 0.1 predeterminado para soluciones más precisas:
liblinear-train -v 5 -e 0.001 archivo_datos
Realice la validación cruzada muchas veces mediante SVM de pérdida L2 y encuentre el parámetro C que logre
la mejor precisión de validación cruzada:
tren -C archivo de datos
Para la selección de parámetros mediante -C, los usuarios pueden especificar otros solucionadores (actualmente -s 0 y -s 2
son compatibles) y un número diferente de pliegues de CV. Además, los usuarios pueden utilizar la opción -c para
especifique el valor C más pequeño del rango de búsqueda. Esta configuración es útil cuando los usuarios quieren
para volver a ejecutar el procedimiento de selección de parámetros desde una C especificada en una configuración diferente,
como una tolerancia de parada más estricta -e 0.0001 en el ejemplo anterior.
tren -C -s 0 -v 3 -c 0.5 -e 0.0001 archivo de datos
Entrene cuatro clasificadores:
positivo negativo Cp Cn
clase 1 clase 2,3,4 20 10
clase 2 clase 1,3,4 50 10
clase 3 clase 1,2,4 20 10
clase 4 clase 1,2,3 10 10
liblinear-tren -c 10 -w1 2 -w2 5 -w3 2 archivo_de_datos_de_cuatro_clases
Si solo hay dos clases, entrenamos UN modelo. Los valores de C para las dos clases son 10
y 50:
liblinear-tren -c 10 -w3 1 -w2 5 archivo_datos_dos_clases
Estimaciones de probabilidad de salida (solo para regresión logística) utilizando predicción liblineal(1):
liblinear-predict -b 1 archivo_prueba archivo_datos.modelo archivo_salida
Utilice liblinear-train en línea utilizando los servicios de onworks.net
