在python中使用liblinear

在python中使用liblinear

1.安装

1.从http://www.csie.ntu.edu.tw/~cjlin/liblinear/ 下载压缩文件，解压

2.进入liblinear主目录，执行

make

3.进入

./python

的文件夹下，拷贝文件夹目录

4.将目录添加至python解释器的path中，

export  PYTHONPATH=/Users/username/Downloads/liblinear-2.01/python:$PAYTHONPATH

5.进入python， 运行

import liblinear

，无报错，即完成。

2.使用liblinearutil

liblinearutil模块相比liblinear模块不用考虑ctypes的问题，直接用python数据类型就可以。

from liblinearutil import *

常用函数

train()

：训练线性模型

predict()

：对testing数据做预测

svm_read_problem()

：读取libsvm格式的数据

load_model()

：load模型

save_model()

：将模型存储为文件

evaluations()

：评价预测结果

model = train(y, x[, 'training_options'])
# y是list/tuple类型，长度为l的训练标签向量
# x是list/tuple类型的训练实例，list中的每一个元素是list/tuple/dictory类型的feature向量
#以下写法的作用是相同的
model = train(prob[, 'training_options'])
model = train(prob, param)

# examples
y, x = svm_read_problem('../heart_scale')
# 读入libsvm格式的数据
prob = problem(y, x)
# 将y,x写作prob
param = parameter('-s 3 -c 5 -q')
# 将参数命令写作param

m = train(y, x, '-c 5')
m = train(prob, '-w1 5 -c 5')
m = train(prob, param)
# 进行训练

CV_ACC = train(y, x, '-v 3')
# -v 3 是指进行3-fold的交叉验证
# 返回的是交叉验证的准确率

best_C, best_rate = train(y, x, '-C -s 0')

p_labs, p_acc, p_vals = predict(y, x, m [,'predicting_options'])
# y是testing data的真实标签，用于计算准确率
# x是待预测样本
# p_labs: 预测出来的标签
# p_acc: tuple类型，包括准确率，MSE，Squared correlation coefficient(平方相关系数)
# p_vals: list, 直接由模型计算出来的值，没有转化成1，0的值，也可以看做是概率估计值

(ACC, MSE, SCC) = evaluations(ty, pv)
# ty: list, 真实值
# pv: list, 估计值