标签: libsvm

我使用LibSVM工具进行支持向量分类实现: -

我的输入数据文件中的第一行如下所示: -

+1 15752:47 6279:45 475:40 5231:30 515:29 7529:28 11623:24 274:24 15431:21 7342:20 4819:20 7598:18 8853:17 11134:16 501:16 911:15 4656:15 5875:14 10725:13 7334:13 13762:13 8295:12 9314:12 317:12 10641:12 2690:12 8771:12 4698:11 11519:10 10069:9 10019:8 1120:8 15017:8 254:8 7900:8 5395:8 486:8 1763:8 11183:7 9163:7 9219:7 1827:7 11901:7 4068:6 15592:6 9925:6 3464:5 8408:5 15348:5 8432:5 10064:5 6319:4 5729:4 8334:4 11817:4 6238:4 4521:4 11761:4 328:4 15876:4 6494:4 280:4 14628:4 5514:4 6383:4 9149:4 2456:4 6741:4 482:4 2773:4 10873:3 8715:3 8802:3 11478:3 11848:3 …

我是Python的新手.我想将svm用于我的项目.我正在使用libsvm 3.12,但当我这样做..

from svm import * 

然后我收到以下错误:

Traceback (most recent call last):

  File "C:/Python27/main.py", line 31, in 
    from svm import *
  File "C:/Python27\svm.py", line 12, in 
    libsvm = CDLL(find_library('libsvm'))
  File "C:\Python27\lib\ctypes\__init__.py", line 353, in __init__
    self._handle = _dlopen(self._name, mode)

WindowsError: [Error 193] %1 is not a valid Win32 application

我该怎么办？

该libsvm README文件建议我复制libsvm.dll到system32文件夹中,我做了..但我仍然收到错误.我使用的是64位Python.也许那是造成这个问题的？

我试着在R中比较不同的SVM实现.还有另外一个比e1071包中的libsvm实现吗？

通常,libsvm是否有一个很好的替代方案来实现nu-SVM和epsilon-SVM？

对不起,我的不好意思

我有一组图像.我想学习一个类SVM(OC-SVM)来模拟特定类(正面)的分布,因为我没有足够的例子来表示其他类(负面).我对OC-SVM的理解是,它试图将数据与原点分开,换句话说,它试图学习超球以适应一类数据.

我的问题是,

1. 如果我想使用OC-SVM的输出作为概率估计,我该怎么办？

2. OC-SVM和任何聚类算法(例如k-means)之间有什么区别？

大家,这是一个奇怪的现象,当我使用libSVM做一些预测时.

当我没有设置SVM参数时,我将在测试集上获得99.9%的性能.然而,如果我设置参数'-c 10 -g 5',我将在测试集上获得大约33%的精度.

顺便说一下,我使用的SVM工具包是LibSVM.

我想知道数据集是否有问题.我无法弄清楚哪个结果更有说服力.

在python中有没有任何关于libsvm的好文档,其中包含一些非平凡的例子,它们解释了每个标志的含义,以及数据如何经过端到端的训练和测试？

(没有libsvm的官方文档.为libsvm提供的'官方文档'只是一篇关于SVM如何工作的文章,并且没有包含该模块的任何使用说明.因此,请链接任何有用的libsvm的python文档/示例代码)

在哪里可以找到使用LibSVM(Java/Python)对数据集执行10倍交叉验证的示例？

我是SVM的新手.我使用Libsvm for Matlab,在预测阶段后我得到了一个决策值数组.根据SVM理论:每个测试记录z被指定为正数if

F(z)的= 1

其中f(z)定义为

F(z)的=符号(W*Z + b)的

那么如何将实例z的数组的决策值与f(z)相关联？基于决策值的预测是这样的:如果dec_value> 0则z为正,否则z为负？

所以我读了一篇论文,说正确处理你的数据集可以大大提高LibSVM分类的准确性......我正在使用Weka实现,并希望有一些帮助确保我的数据集是最优的.

这是我的(示例)属性:

Power Numeric (real numbers, range is from 0 to 1.5132, 9000+ unique values)
Voltage Numeric (similar to Power)
Light Numeric (0 and 1 are the only 2 possible values)
Day Numeric (1 through 20 are the possible values, equal number of each value)
Range Nominal {1,2,3,4,5} <----these are the classes

我的问题是:我应该应用哪些Weka预处理过滤器来使这个数据集对LibSVM更有效？

1. 我应该规范化和/或标准化电源和电压数据值吗？
2. 我应该在任何事情上使用Discretization过滤器吗？
3. 我应该将电源/电压值合并到更少数量的垃圾箱中吗？
4. 我应该使Light值二进制而不是数字吗？
5. 我应该规范日值吗？这样做甚至有意义吗？
6. 我是否应该使用Nominal to Binary或Nominal来对其他类别的"Range"类进行过滤？

请就这些问题以及您认为我可能错过的任何其他问题提出建议......

提前致谢!!

我正在使用libsvm进行分类任务.我有10倍交叉验证,其中F1得分为0.80.但是,当我将训练数据集分成两部分时(一部分用于训练,另一部分用于测试,我将其称为保持测试集),F1分数降至0.65.分割比例为.8至.2.

那么,我的问题是,在进行k折交叉验证与保持测试之间是否有任何显着差异？这两种技术中的哪一种会产生一种概括良好的模型？在这两种情况下,我的数据集都会缩放.