pkoptsvm - Online di Cloud

PROGRAM:

NAMA

pkoptsvm - program untuk mengoptimalkan parameter untuk klasifikasi SVM

RINGKASAN

pkoptsvm -t latihan [Pilihan] [maju Pilihan]

DESKRIPSI

pkoptsvm Mesin vektor dukungan tergantung pada beberapa parameter. Idealnya, ini
parameter harus dioptimalkan untuk setiap masalah klasifikasi. Dalam kasus basis radial
fungsi kernel, dua parameter penting adalah {cost} dan {gamma}. Utilitas pkoptsvm
dapat mengoptimalkan kedua parameter ini, berdasarkan penilaian akurasi (nilai Kappa). Jika
satu set tes masukan (-i) disediakan, digunakan untuk penilaian akurasi. Jika tidak,
penilaian akurasi didasarkan pada validasi silang (-CV) dari sampel pelatihan.

Rutin optimasi menggunakan pencarian grid. Nilai awal dan akhir dari
parameter dapat diatur dengan -cc nilai awal -cc nilai akhir dan -g nilai awal -g nilai akhir untuk
biaya dan gamma masing-masing. Pencarian menggunakan langkah perkalian untuk iterasi
parameter (diatur dengan opsi -langkahcc dan -langkah). Pendekatan yang sering digunakan adalah dengan mendefinisikan
langkah perkalian yang relatif besar terlebih dahulu (misalnya 10) untuk mendapatkan perkiraan awal untuk
kedua parameter. Estimasi kemudian dapat dioptimalkan dengan mendefinisikan langkah yang lebih kecil (>1) dengan
nilai awal dan akhir terbatas untuk parameter biaya dan gamma.

PILIHAN

-t nama file, --pelatihan nama file
file vektor pelatihan. Satu file vektor berisi semua fitur pelatihan (harus
ditetapkan sebagai: b0, b1, b2,...) untuk semua kelas (nomor kelas diidentifikasi oleh opsi label).

-i nama file, --memasukkan nama file
masukan file vektor uji

-cc nilai awal -cc nilai akhir, --biaya nilai awal --biaya nilai akhir
min dan max membatasi parameter C dari C-SVC, epsilon-SVR, dan nu-SVR (opsional:
nilai awal)

-g nilai awal -g nilai akhir, --gamma nilai awal --gamma nilai akhir
batas min max untuk gamma dalam fungsi kernel (opsional: nilai awal)

-langkah ukuran langkah, --melangkah ukuran langkah
langkah perkalian untuk ccost dan gamma dalam pencarian GRID

-v tingkat, --bertele-tele tingkat
gunakan 1 untuk menampilkan hasil antara untuk merencanakan

Advanced options

-tln lapisan, --tln lapisan
nama lapisan pelatihan

-label atribut, --label atribut
pengenal untuk label kelas dalam file vektor pelatihan. (bawaan: label)

-bal ukuran, --keseimbangan ukuran
menyeimbangkan data input ke jumlah sampel ini untuk setiap kelas (default: 0)

-acak, --acak
dalam kasus keseimbangan, mengacak data input

-min jumlah, --min jumlah
jika jumlah piksel pelatihan kurang dari min, jangan perhitungkan kelas ini

-b pita, --pita pita
indeks band (mulai dari 0, gunakan opsi band atau gunakan awal hingga akhir)

-band pita, --jalur awal pita
mulai nomor urut band

-eband pita, --jalur akhir pita
nomor urut pita akhir

-mengimbangi nilai, --mengimbangi nilai
nilai offset untuk setiap fitur input pita spektral:
refl[band]=(DN[band]-offset[band])/skala[band]

-skala nilai, --skala nilai
nilai skala untuk setiap fitur input pita spektral:
refl=(DN[band]-offset[band])/scale[band] (gunakan 0 jika skala min dan maks di setiap band
ke -1.0 dan 1.0)

-svmt mengetik, --tipe svm mengetik
jenis SVM (C_SVC, nu_SVC,one_class, epsilon_SVR, nu_SVR)

-kt mengetik, --jenis kernel mengetik
jenis fungsi kernel (linier, polinomial, radial, sigmoid)

-kd nilai, --kd nilai
derajat dalam fungsi kernel

-c0 nilai, --koef0 nilai
coef0 dalam fungsi kernel

-nu nilai, --tidak nilai
parameter nu dari nu-SVC, SVM satu kelas, dan nu-SVR

-hilang nilai, --hilang nilai
fungsi kehilangan epsilon dari epsilon-SVR

-cache jumlah, --cache jumlah
ukuran memori cache dalam MB (default: 100)

-etol nilai, --etol nilai
toleransi kriteria penghentian (default: 0.001)

-menyusut, --menyusut
apakah akan menggunakan heuristik menyusut

-CV nilai, --CV nilai
mode validasi silang n-lipat (default: 0)

-lih, --lih
gunakan Akurasi Keseluruhan alih-alih kappa

-maksimal jumlah, --maksimal jumlah
jumlah maksimum iterasi

-to nilai, --toleransi nilai
toleransi relatif untuk kriteria penghentian (default: 0.0001)

-a nilai, --algoritma nilai
GRID, atau algoritme pengoptimalan apa pun dari http://ab-
initio.mit.edu/wiki/index.php/NLopt_Algorithms

-c nama, --kelas nama
daftar nama kelas.

-r nilai, --kelas ulang nilai
daftar nilai kelas (gunakan urutan yang sama seperti di --kelas pilihan).

24 Januari 2016 pkoptsvm(1)

Gunakan pkoptsvm online menggunakan layanan onworks.net