liblinear-train - 云端在线

程序：

您的姓名

liblinear-train - 训练线性分类器并生成模型

概要

线性库 [选项] 训练集文件 [模型文件]

商品描述

线性库 使用 liblinear 训练线性分类器并生成适合的模型
用于 liblinear-预测（1）。

训练集文件 是包含用于训练的数据的文件。 模型文件 是
模型将保存到的文件。 如果 模型文件 未提供，默认为
训练集文件.model.

为了获得良好的性能，有时需要对数据进行缩放。 这可以用
支持向量机规模（1）。

配置

下面是选项的摘要。

-s 类型
设置求解器的类型：

0 ... L2 正则化逻辑回归

1 ... L2-regularized L2-loss 支持向量分类（双）（默认）

2 ... L2-regularized L2-loss 支持向量分类（原始）

3 ... L2-regularized L1-loss 支持向量分类（双重）

4 ... 多类支持向量分类

5 ... L1-regularized L2-loss 支持向量分类

6 ... L1 正则化逻辑回归

7 ... L2-正则化逻辑回归（双）

-c 成本
设置参数 C（默认： 1)

-e 小量
设置终止标准的容差

对于 -s 0 和 2：

|f'(w)|_2 <= 小量*min(pos,neg)/l*|f'(w0)_2，其中 f 是
原始函数和 pos/neg 是正/负数据的数量
（默认： 0.01)

对于 -s 1、3、4 和 7：

双重最大违反 <= 小量; 类似于 libsvm（默认： 0.1)

对于 -s 5 和 6：

|f'(w)|_inf <= 小量*min(pos,neg)/l*|f'(w0)|_inf，其中 f 是原始值
功能（默认： 0.01)

-B 偏见
If 偏见 >= 0，则实例 x 变为 [x; 偏见]; 如果 偏见 < 0，则
不添加偏置项（默认： -1)

-wi 重量
weight-调整类的参数C i 按价值 重量

-v n n-折叠交叉验证模式

-C 查找参数 C（仅适用于 -s 0 和 2）

-q 安静模式（无输出）。

示例

使用 L2 损失函数训练线性 SVM：

liblinear-train 数据文件

训练逻辑回归模型：

liblinear-train -s 0 数据文件

使用 L2-loss SVM 进行五折交叉验证，使用较小的停止容差 0.001
而不是默认的 0.1 以获得更准确的解决方案：

liblinear-train -v 5 -e 0.001 数据文件

通过 L2-loss SVM 进行多次交叉验证，找到达到的参数 C
最佳交叉验证准确度：

train -C 数据文件

对于 -C 的参数选择，用户可以指定其他求解器（当前 -s 0 和 -s 2
支持）和不同数量的 CV 折叠。 此外，用户可以使用 -c 选项来
指定搜索范围的最小 C 值。 当用户需要时，此设置很有用
在不同的设置下从指定的 C 重新运行参数选择程序，
例如上例中更严格的停止容差 -e 0.0001。

train -C -s ​​0 -v 3 -c 0.5 -e 0.0001 数据文件

训练四个分类器：

正负 Cp Cn
1 级 2,3,4、20、10 级 XNUMX XNUMX
2 级 1,3,4、50、10 级 XNUMX XNUMX
3 级 1,2,4、20、10 级 XNUMX XNUMX
4 级 1,2,3、10、10 级 XNUMX XNUMX

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

如果只有两个类，我们训练一个模型。 两个类的 C 值为 10
和50：

liblinear-train -c 10 -w3 1 -w2 5 两个类数据文件

输出概率估计（仅适用于逻辑回归）使用 liblinear-预测（1）：

liblinear-predict -b 1 test_file data_file.model 输出文件

使用 onworks.net 服务在线使用 liblinear-train