svm理论与实验之19: libsvm多类实验
2013-10-15 10:40
337 查看
徐海蛟博士 Teaching.
我们实验环境:libsvm 3.17, python 2.7.3, gnuplot 4.6。
数据集从小到大: dna 生物dna, satimage 卫星图像, letter 字母。数据已经下载到了svm-数据/下。我们看下数据集基本情况:
名称 源
类型 类数
训练样本 测试样本
特征数
----------------------------------------------------------------
dna 生物
Statlog 分类 3
2,000 1,186
180
satimage图像 Statlog
分类 6 4,435
2,000 36
letter字母 Statlog
分类 26 15,000
5,000 16
傻瓜式用法:python easy.py 训练数据路径 测试数据路径
cd libsvm下的tools目录/
python easy.py ../svm-数据/dna.scale ../svm-数据/dna.scale.t
python easy.py ../svm-数据/satimage.scale ../svm-数据/satimage.scale.t
python easy.py ../svm-数据/letter.scale ../svm-数据/letter.scale.t
慢得如同蜗牛!15分钟, 18分钟,...。解释输出如下:
规格化训练数据...
警告: original #nonzeros 91233
new #nonzeros 360000
Use -l 0 if many original feature values are zeros
交叉验证...
Best c=8.0, g=0.0078125 CV rate=95.55
训练...
输出模型: dna.scale.model
规格化测试数据...
警告: original #nonzeros 53669
new #nonzeros 213480
Use -l 0 if many original feature values are zeros
测试...
精度 = 95.6155% (1134/1186) (分类)
Output prediction: dna.scale.t.predict
======================================
规格化训练数据...
交叉验证...
Best c=2.0, g=2.0 CV rate=92.221
训练...
输出模型: satimage.scale.model
规格化测试数据...
测试...
精度 = 91.85% (1837/2000) (分类)
Output prediction: satimage.scale.t.predict
... ...
我们实验环境:libsvm 3.17, python 2.7.3, gnuplot 4.6。
数据集从小到大: dna 生物dna, satimage 卫星图像, letter 字母。数据已经下载到了svm-数据/下。我们看下数据集基本情况:
名称 源
类型 类数
训练样本 测试样本
特征数
----------------------------------------------------------------
dna 生物
Statlog 分类 3
2,000 1,186
180
satimage图像 Statlog
分类 6 4,435
2,000 36
letter字母 Statlog
分类 26 15,000
5,000 16
傻瓜式用法:python easy.py 训练数据路径 测试数据路径
cd libsvm下的tools目录/
python easy.py ../svm-数据/dna.scale ../svm-数据/dna.scale.t
python easy.py ../svm-数据/satimage.scale ../svm-数据/satimage.scale.t
python easy.py ../svm-数据/letter.scale ../svm-数据/letter.scale.t
慢得如同蜗牛!15分钟, 18分钟,...。解释输出如下:
规格化训练数据...
警告: original #nonzeros 91233
new #nonzeros 360000
Use -l 0 if many original feature values are zeros
交叉验证...
Best c=8.0, g=0.0078125 CV rate=95.55
训练...
输出模型: dna.scale.model
规格化测试数据...
警告: original #nonzeros 53669
new #nonzeros 213480
Use -l 0 if many original feature values are zeros
测试...
精度 = 95.6155% (1134/1186) (分类)
Output prediction: dna.scale.t.predict
======================================
规格化训练数据...
交叉验证...
Best c=2.0, g=2.0 CV rate=92.221
训练...
输出模型: satimage.scale.model
规格化测试数据...
测试...
精度 = 91.85% (1837/2000) (分类)
Output prediction: satimage.scale.t.predict
... ...
相关文章推荐
- svm理论与实验之19: libsvm多类实验
- svm理论与实验之11:svm开发工具包LibSVM
- svm理论与实验之16: libsvm工具包
- svm理论与实验之20: libsvm多标签实验与评价指标
- svm理论与实验之11:svm开发工具包LibSVM
- svm理论与实验之20: libsvm多标签实验与评价指标
- svm理论与实验之17: libsvm最简单Java示例(2行)
- svm理论与实验之13: libsvm库函数说明
- svm理论与实验之17: 两行Java代码尝试LibSVM
- svm理论与实验之10: SVM多类分类
- svm理论与实验之10: SVM多类分类
- svm理论与实验之18: libsvm自动参数选择
- svm理论与实验之18: libsvm自动参数选择
- svm理论与实验之7: 核函数
- svm理论与实验之2: 线性分类器
- svm理论与实验之2: 线性分类器
- svm理论与实验之3: 线性分类器(续集)
- svm理论与实验之3: 线性分类器(续集)
- svm理论与实验之12: Hello World
- svm理论与实验之4 — 问题的描述