smartsvm 1.1.0

引用

如果你在研究中使用这个软件包，请用 以下是bibtex条目：

@article{van2017fast,
  title={Fast Meta-Learning for Adaptive Hierarchical Classifier Design},
  author={Gerrit J.J. van den Burg and Alfred O. Hero},
  journal={arXiv preprint arXiv:1711.03512},
  archiveprefix={arXiv},
  year={2017},
  eprint={1711.03512},
  url={https://arxiv.org/abs/1711.03512},
  primaryclass={cs.LG}
}

bayes误差估计

误差估计有三个功能：

• hp_estimate用于bayes错误率的henze-penrose估计。 这可以用作：

  >>>importnumpyasnp>>>fromsmartsvmimporthp_estimate>>>X1=np.random.multivariate_normal([-1,0],[[1,0],[0,1]],100)>>>X2=np.random.multivariate_normal([1,0],[[1,0],[0,1]],100)>>>hp_estimate(X1,X2)# with normalization>>>hp_estimate(X1,X2,normalize=False)# without normalization

• compute_error_graph和compute_ovr_error分别计算 双误码率估计的完全加权图 每节课。它们有类似的界面：

  >>>importnumpyasnp>>>fromsmartsvmimportcompute_error_graph,compute_ovr_error>>>fromsklearn.datasetsimportload_digits>>>digits=load_digits(5)>>>n_samples=len(digits.images)>>>X=digits.images.reshape((n_samples,-1))>>>y=digits.target>>>G=compute_error_graph(X,y,n_jobs=2,normalize=True)>>>d=compute_ovr_error(X,y,normalize=True)

智能支持向量机分类器

SMARTSVM是一种自适应的分层分类器，它构造一个 基于贝叶斯估计的分类层次 每对类之间的错误。分类器构建在 scikit learn和其他sklearn的使用方法完全相同 分类器：

>>>importnumpyasnp>>>fromsmartsvmimportSmartSVM>>>fromsklearn.datasetsimportload_digits>>>digits=load_digits(10)>>>n_samples=len(digits.images)>>>X=digits.images.reshape((n_samples,-1))>>>y=digits.target>>>clf=SmartSVM()>>>clf.fit(X,y)>>>clf.predict(X)

默认情况下，smartsvm分类器使用线性支持向量机 （LinearSVC）作为每个二进制子问题的底层二进制分类器 在等级制度中。使用^{tt5}可以很容易地更改$ 类构造函数的参数，例如：

>>>fromsklearn.treeimportDecisionTreeClassifier>>>clf=SmartSVM(binary_clf=DecisionTreeClassifier)>>>clf.fit(X,y)>>>clf._get_binary()DecisionTreeClassifier(class_weight=None,criterion='gini',max_depth=None,max_features=None,max_leaf_nodes=None,min_impurity_decrease=0.0,min_impurity_split=None,min_samples_leaf=1,min_samples_split=2,min_weight_fraction_leaf=0.0,presort=False,random_state=None,splitter='best')

您可以选择通过 clf_params参数。这应该是一个带有 二进制分类器，如下所示：

>>>clf=SmartSVM(binary_clf=DecisionTreeClassifier,clf_params={'criterion':'entropy'})>>>clf.fit(X,y)>>>clf._get_binary()DecisionTreeClassifier(class_weight=None,criterion='entropy',max_depth=None,max_features=None,max_leaf_nodes=None,min_impurity_decrease=0.0,min_impurity_split=None,min_samples_leaf=1,min_samples_split=2,min_weight_fraction_leaf=0.0,presort=False,random_state=None,splitter='best')

最后，如果 底层分类器支持predict_proba方法：

>>>fromsklearn.svmimportSVC>>>clf=SmartSVM(binary_clf=SVC,clf_params={"probabilities":True})>>>clf.fit(X,y)>>>prob=clf.predict_proba(X)>>>importpandasaspd>>>df=pd.DataFrame(prob)>>>df012...09.999997e-011.716831e-182.677824e-13...11.000000e-079.956408e-011.035589e-09...22.595652e-051.452011e-029.722321e-01...

有关SmartSVM参数的更多信息，请参阅API文档 here。