在python中使用liblinear
2015-07-17 19:57
711 查看
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
相关文章推荐
- Python动态类型的学习---引用的理解
- Python3写爬虫(四)多线程实现数据爬取
- 垃圾邮件过滤器 python简单实现
- 下载并遍历 names.txt 文件,输出长度最长的回文人名。
- install and upgrade scrapy
- Scrapy的架构介绍
- Centos6 编译安装Python
- 使用Python生成Excel格式的图片
- 让Python文件也可以当bat文件运行
- [Python]推算数独
- Python中zip()函数用法举例
- Python中map()函数浅析
- Python在CAM软件Genesis2000中的应用
- 使用Shiboken为C++和Qt库创建Python绑定
- FREEBASIC 编译可被python调用的dll函数示例
- Python 七步捉虫法
- Python实现的基于ADB的Android远程工具