LibSvm добавя функции с помощта на JAVA API

Имам текст и искам да обучавам чрез добавяне на функция с помощта на java API. Разглеждайки примерите, основният клас за изграждане на набора за обучение е svm_problem. Изглежда, че svm_node представлява функция (индекс е функция и стойност е теглото на характеристиката).

Това, което направих, е да имам карта (само за да опростя проблема), която поддържа връзка между функцията и индекса. За всеки от моите тегло> примери създавам нов възел:

  svm_node currentNode = new svm_node();
  int index = feature.getIndexInMap();
  double value = feature.getWeight();
  currentNode.index = index;
  currentNode.value = value;

Вярна ли е интуицията ми? За какво се отнася svm_problem.y? Отнася ли се за индекса на етикета? svm_problem.l само дължината на двата вектора ли е?


machine-learning svm libsvm
person pokeRex110    schedule 18.03.2014    source източник
comment
Препоръчвам да смените заглавието. По мое мнение това не представлява истинският въпрос, който се отнася до използването на libsvm и има много малко общо с факта дали са текстови функции или не.   -  person Pedrom    schedule 20.03.2014

Отговори (1)


arrow_upward
1
arrow_downward

Вашата интуиция е много близка, но svm_node е модел, а не функция. Променливата svm_problem.y е масив, който съдържа етикетите на всеки модел, а svm_problem.l е размерът на набора за обучение.

Също така имайте предвид, че svm_parameter.nr_weight е теглото на всеки етикет (полезно, ако имате небалансиран тренировъчен набор), но ако няма да го използвате, трябва да зададете тази стойност на нула.

Нека ви покажа прост пример в C++:

#include "svm.h"
#include <iostream>

using namespace std;

int main()
{
    svm_parameter params;


    params.svm_type = C_SVC;
    params.kernel_type = RBF;
    params.C = 1;
    params.gamma = 1;
    params.nr_weight = 0;
    params.p= 0.0001;

    svm_problem problem;
    problem.l = 4;
    problem.y = new double[4]{1,-1,-1,1};
    problem.x = new svm_node*[4];

    {
    problem.x[0] = new svm_node[3];
    problem.x[0][0].index = 1;
    problem.x[0][0].value = 0;
    problem.x[0][1].index = 2;
    problem.x[0][1].value = 0;
    problem.x[0][2].index = -1;

    }

    {
    problem.x[1] = new svm_node[3];
    problem.x[1][0].index = 1;
    problem.x[1][0].value = 1;
    problem.x[1][1].index = 2;
    problem.x[1][1].value = 0;
    problem.x[1][2].index = -1;
    }

    {
    problem.x[2] = new svm_node[3];
    problem.x[2][0].index = 1;
    problem.x[2][0].value = 0;
    problem.x[2][1].index = 2;
    problem.x[2][1].value = 1;
    problem.x[2][2].index = -1;
    }

   {
    problem.x[3] = new svm_node[3];
    problem.x[3][0].index = 1;
    problem.x[3][0].value = 1;
    problem.x[3][1].index = 2;
    problem.x[3][1].value = 1;
    problem.x[3][2].index = -1;

    }

    for(int i=0; i<4; i++)
    {
        cout << problem.y[i] << endl;
    }

    svm_model * model = svm_train(&problem, &params);
    svm_save_model("mymodel.svm", model);

    for(int i=0; i<4; i++)
    {
        double d = svm_predict(model, problem.x[i]);

        cout << "Prediction " << d << endl;
    }
    /* We should free the memory at this point. 
       But this example is large enough already */ 
}
person Pedrom    schedule 20.03.2014