liblinear-train - En ligne dans le Cloud

PROGRAMME:

Nom

liblinear-train - entraîne un classificateur linéaire et produit un modèle

SYNOPSIS

train liblinéaire [Options] fichier_set_formation [fichier_modèle]

DESCRIPTION

train liblinéaire entraîne un classificateur linéaire à l'aide de liblinear et produit un modèle approprié
Pour une utilisation avec prédiction liblinéaire (1).

fichier_set_formation est le fichier contenant les données utilisées pour l'apprentissage. fichier_modèle est le
fichier dans lequel le modèle sera enregistré. Si fichier_modèle n'est pas fourni, il est par défaut
training_set_file.model.

Pour obtenir de bonnes performances, il faut parfois redimensionner les données. Cela peut être fait avec
échelle svm (1).

OPTIONS

Un résumé des options est inclus ci-dessous.

-s type
Définissez le type du solveur :

0 ... régression logistique régularisée L2

1 ... Classification du vecteur de support de perte L2 régularisée L2 (double) (par défaut)

2 ... Classification des vecteurs de support de perte L2 régularisée L2 (primaire)

3 ... Classification du vecteur de support des pertes L2 régularisées L1 (double)

4 ... classification des vecteurs de support multi-classes

5 ... Classification des vecteurs de support de perte L1 régularisée L2

6 ... régression logistique régularisée L1

7 ... régression logistique régularisée L2 (duale)

-c sables moins coûteux
Réglez le paramètre C (par défaut : 1)

-e epsilon
Définir la tolérance du critère de terminaison

Pour -s 0 et 2 :

|f'(w)|_2 <= epsilon*min(pos,neg)/l*|f'(w0)_2, où f est
la fonction primale et pos/neg sont le nombre de données positives/négatives
(défaut: 0.01)

Pour -s 1, 3, 4 et 7 :

Double violation maximale <= epsilon; similaire à libsvm (par défaut : 0.1)

Pour -s 5 et 6 :

|f'(w)|_inf <= epsilon*min(pos,neg)/l*|f'(w0)|_inf, où f est le primal
fonction (par défaut : 0.01)

-B biais
If biais >= 0, alors l'instance x devient [x; biais]; si biais < 0, alors
aucun terme de biais n'est ajouté (par défaut : -1)

-wi poids
Le poids ajuste le paramètre C de la classe i par la valeur poids

-v n n-fold mode de validation croisée

-C Trouver le paramètre C (uniquement pour -s 0 et 2)

-q Mode silencieux (pas de sorties).

EXEMPLES

Entraînez un SVM linéaire à l'aide de la fonction de perte L2 :

fichier_données liblinear-train

Entraîner un modèle de régression logistique :

liblinear-train -s 0 fichier_données

Effectuez une validation croisée quintuple à l'aide de la SVM de perte L2, en utilisant une tolérance d'arrêt plus petite de 0.001
au lieu de la valeur par défaut 0.1 pour des solutions plus précises :

liblinear-train -v 5 -e 0.001 fichier_données

Effectuer une validation croisée plusieurs fois par L2-loss SVM et trouver le paramètre C qui atteint
la meilleure précision de validation croisée :

train -C fichier de données

Pour la sélection des paramètres par -C, les utilisateurs peuvent spécifier d'autres solveurs (actuellement -s 0 et -s 2
sont pris en charge) et un nombre différent de plis de CV. De plus, les utilisateurs peuvent utiliser l'option -c pour
spécifiez la plus petite valeur C de la plage de recherche. Ce paramètre est utile lorsque les utilisateurs souhaitent
pour relancer la procédure de sélection des paramètres à partir d'un C spécifié sous un réglage différent,
comme une tolérance d'arrêt plus stricte -e 0.0001 dans l'exemple ci-dessus.

train -C -s 0 -v 3 -c 0.5 -e 0.0001 fichier de données

Former quatre classificateurs :

positif négatif 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

S'il n'y a que deux classes, nous formons UN modèle. Les valeurs C pour les deux classes sont de 10
et 50:

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

Estimations de probabilité de sortie (pour la régression logistique uniquement) en utilisant prédiction liblinéaire(1):

liblinear-predict -b 1 fichier_test fichier_données.model fichier_sortie

Utilisez liblinear-train en ligne en utilisant les services onworks.net