修复数据模块问题
ssvm的Python项目详细描述
s svm python是dsmi实验室平滑支持向量机工具箱的python版本
请参见：http://dmlab8.csie.ntust.edu.tw/download.html toolbox
参考：
平滑支持向量机是lee教授的论文。
请参见：http://research.cs.wisc.edu/dmi/svm/ssvm/
对于通过统一设计的支持向量机，请参见：http://140.118.155.137/%e8%80%81%e5%b8%ab%e8%ab%96%e6%96%87/%e6%9c%9f%e5%88%8a/j8杌模型%20s选择%20for%20support%20vector%20machines%20via%20uniform%20design.pdf
uniform design tables
请参见：http://uic.edu.hk/isci/uniformdesign/ud%20tables.html
用法：
>把ssvm python放在python-path上，安装"numpy"
>
==============================================================================================================================
培训：
培训师（数据，标签位置）用数据集实例化Trainer对象。
Trainer.make（r=1，v=1）设置用于交叉验证的分区。
Trainer.tune（c=100，g=0.1，k=1，s=0）设置模型训练的参数。
trainer.train（）train
trainer.save（model_name=model）保存训练的模型模型。
===================================================================
=================================================================================================================.trainer导入trainer
2）创建一个trainerobject
----------
Trainer对象需要用表示包含数据的2d numpy数组初始化。label_pos表示哪一列是标签。
3）设置Trainer
----------
r->；要将多少数据用于缩减集
v->；要将多少折叠用于交叉验证
<4）设置训练参数
1->；一对一休息
trainer.调谐（C=100，G=0.1，K=1，s=0）
5）开始训练
模型
br/>请将经过训练的模型保存到以后的预测中。
trainer.save（model_name=model）
============================================================================================
预测：
预测（模型）用保存的训练模型实例化预测对象对象
==================================================================
=============================================================================================================================br/>来自ssvm.predictor导入predictor
predictor=predictor（model.pkl）
2）进行预测
假设为2d numpy数组，列数（减去标签）与训练对象中使用的列数相同。）
网格搜索（Trainer，c_开始时间=-6，c_结束时间=10，g g结束时间=10，g g g，g结束时间：10，g g，g开始时间=-6，c_开始时间=-6，c_开始时间=-6，c_结束时间=-6，c_结束时间=10，g结束时间：10，g，g_开始=-12，r=1，v=10，k=1，s=0）
超参数优化
芙蓉（Trainer，fround=13，sround=9，tround=5，c_start=-6，c_end=10，g_start=-12，r=1，v=10，k=1，s=0）
通过统一设计快速模式选择
通过统一设计快速模式选择
==================================================================
；通过统一设计快速模式选择模式
首先搜索我们用一个数据集实例化Trainer对象，并从Tuning导入GirdSearch函数。
在开始训练之前设置Trainer。
Trainer.make（r=1，v=10）
return is list[最佳C，最佳搜索]。
也可以打印其他信息。
ssvm.tuning import gridsearch
[最佳搜索，最佳搜索]=gridsearch（trainer，-3，12，-6）
"
最佳c值：xxx
最佳伽马值：xxx
训练精度：xxx
验证精度：xxx
时间：xxx
""
2）芙蓉我们用数据集实例化Trainer对象，并从Tuning导入Hibiscus函数。
开始训练前设置Trainer。
Trainer.make（r=1，v=10）
我们需要指定要在三个回合中洒多少分。
统一表格范围：3~30
返回是列表[最佳，最佳]
还可以打印其他信息。
>"
>最佳c值：xxx
>最佳伽马值：xxx
>训练准确度：xxx
>验证准确度：xxx
>时间：xxx
>"
=====================================================================================如果您有如有任何问题，请联系以下任何人：
作者：
李教授（yuh jye@mail.ntust.edu.tw）
维护者：
埃文（evan176@hotmail.com）
=======================================================================================================
请参见：http://dmlab8.csie.ntust.edu.tw/download.html toolbox
参考：
平滑支持向量机是lee教授的论文。
请参见：http://research.cs.wisc.edu/dmi/svm/ssvm/
对于通过统一设计的支持向量机，请参见：http://140.118.155.137/%e8%80%81%e5%b8%ab%e8%ab%96%e6%96%87/%e6%9c%9f%e5%88%8a/j8杌模型%20s选择%20for%20support%20vector%20machines%20via%20uniform%20design.pdf
uniform design tables
请参见：http://uic.edu.hk/isci/uniformdesign/ud%20tables.html
用法：
>把ssvm python放在python-path上，安装"numpy"
>
==============================================================================================================================
培训：
培训师（数据，标签位置）用数据集实例化Trainer对象。
Trainer.make（r=1，v=1）设置用于交叉验证的分区。
Trainer.tune（c=100，g=0.1，k=1，s=0）设置模型训练的参数。
trainer.train（）train
trainer.save（model_name=model）保存训练的模型模型。
===================================================================
=================================================================================================================.trainer导入trainer
2）创建一个trainerobject
----------
Trainer对象需要用表示包含数据的2d numpy数组初始化。label_pos表示哪一列是标签。
3）设置Trainer
----------
r->；要将多少数据用于缩减集
v->；要将多少折叠用于交叉验证
<4）设置训练参数
1->；一对一休息
trainer.调谐（C=100，G=0.1，K=1，s=0）
5）开始训练
模型
br/>请将经过训练的模型保存到以后的预测中。
trainer.save（model_name=model）
============================================================================================
预测：
预测（模型）用保存的训练模型实例化预测对象对象
==================================================================
=============================================================================================================================br/>来自ssvm.predictor导入predictor
predictor=predictor（model.pkl）
2）进行预测
假设为2d numpy数组，列数（减去标签）与训练对象中使用的列数相同。）
网格搜索（Trainer，c_开始时间=-6，c_结束时间=10，g g结束时间=10，g g g，g结束时间：10，g g，g开始时间=-6，c_开始时间=-6，c_开始时间=-6，c_结束时间=-6，c_结束时间=10，g结束时间：10，g，g_开始=-12，r=1，v=10，k=1，s=0）
超参数优化
芙蓉（Trainer，fround=13，sround=9，tround=5，c_start=-6，c_end=10，g_start=-12，r=1，v=10，k=1，s=0）
通过统一设计快速模式选择
通过统一设计快速模式选择
==================================================================
；通过统一设计快速模式选择模式
首先搜索我们用一个数据集实例化Trainer对象，并从Tuning导入GirdSearch函数。
在开始训练之前设置Trainer。
Trainer.make（r=1，v=10）
return is list[最佳C，最佳搜索]。
也可以打印其他信息。
ssvm.tuning import gridsearch
[最佳搜索，最佳搜索]=gridsearch（trainer，-3，12，-6）
"
最佳c值：xxx
最佳伽马值：xxx
训练精度：xxx
验证精度：xxx
时间：xxx
""
2）芙蓉我们用数据集实例化Trainer对象，并从Tuning导入Hibiscus函数。
开始训练前设置Trainer。
Trainer.make（r=1，v=10）
我们需要指定要在三个回合中洒多少分。
统一表格范围：3~30
返回是列表[最佳，最佳]
还可以打印其他信息。
>"
>最佳c值：xxx
>最佳伽马值：xxx
>训练准确度：xxx
>验证准确度：xxx
>时间：xxx
>"
=====================================================================================如果您有如有任何问题，请联系以下任何人：
作者：
李教授（yuh jye@mail.ntust.edu.tw）
维护者：
埃文（evan176@hotmail.com）
=======================================================================================================
欢迎加入QQ群-->： 979659372
