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
。制作(r=1,v=1)
<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)
=======================================================================================================