- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我知道,对此有多个问题,但没有一个是针对我的特定问题的。
我将简化我的问题以使其更清楚。假设我有来自英语文档的多个句子,我想使用一个类 svm(在 libsvm 中)对它们进行分类,以便之后能够看到异常情况(例如德语句子)。
对于训练:我只有一个类的样本(假设其他类事先不存在)。我提取了所有 3-gram(因此特征空间最多包含 16777216 个不同的特征)并将它们保存为 libsvm 格式(标签=1,以防万一)
现在我想估计我的参数。我尝试通过附加参数来使用 grid.py
,但是,运行时对于 rbf 内核来说太大了。所以我尝试使用线性内核(因此,可以更改 grid.py
以便仅使用一个 gamma 值,因为它对线性内核无关紧要)。
无论如何,最小的 c
grid.py 测试将显示为最佳解决方案(-c 对线性内核有影响吗?)。
此外,无论我如何更改 -n
(nu) 值,每次得分之间的相同关系都会实现(即使支持向量的数量发生变化)。使用 python 实现收集分数。 (分数之间的关系意味着,例如,起初它们是 -1 和 -2,我更改 nu
然后它们是 -0.5 和 -1,所以如果我对它们进行排序,总是出现相同的顺序,如本例所示):
# python2
from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt
from svmutil import *
y,x = svm_read_problem("/tmp/english-3-grams.libsvm") # 5000 sentence samples
ym,xm = svm_read_problem("/tmp/german-3-grams.libsvm") # 50 sentence samples
m = svm_train(y,x,"-s 2 -t 2 -n 0.5");
# do the prediction in one or two steps, here is one step:
p_l, p_a, p_v = svm_predict(y[:100]+ym[:100],x[:100]+xm[:100],m)
# p_v are our scores.
# let's plot a roc curve
roc_ret = roc_curve([1]*100+[-1]*100,p_v)
plt.plot(roc_ret[0],roc_ret[1])
plt.show()
在这里,每次都获得完全相同的 roc 曲线(即使 -n
不同)。即使只有 1 个支持向量,也会显示相同的曲线。
因此,我的问题(假设每次训练最多 50000 个样本):- 为什么 -n
没有改变任何一类培训过程?- 我需要为一级 svm 更改哪些参数?- 线性内核是最好的方法吗? (+ 关于运行时)和 rbf 内核参数网格搜索需要很长时间才能处理如此大的数据集- liblinear 没有被使用,因为我想做异常检测 = 一个类 svm
最好的问候,多种
最佳答案
性能影响是 16777216 个元素的巨大特征空间的结果。这导致德语句子等元素的向量非常稀疏。
Yang 和 Petersen 的一项研究,A Comparative Study on Feature Selection in Text Categorization表明,积极的特征选择并不一定会降低分类准确性。我在对(医学)德语文本文档进行文本分类时取得了类似的结果。
如评论中所述,LIBLINEAR
很快,因为它是为此类稀疏数据构建的。然而,您最终得到的是一个线性分类器,它既有缺点也有优点。
我建议采用以下策略:
使用 N
结合交叉验证逐步增加 N
并为您的数据找到最佳加工 N
。
使用在 2 中找到的 N
进行网格搜索。
使用 3. 中找到的最佳匹配参数和 2. 中找到的 N
训练您的分类器
关于python - 通过 libsvm 对 n-gram 进行线性一级 SVM 训练的参数估计,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41718108/
我看到以下宏 here . static const char LogTable256[256] = { #define LT(n) n, n, n, n, n, n, n, n, n, n, n,
这个问题不太可能帮助任何 future 的访问者;它只与一个小的地理区域、一个特定的时间点或一个非常狭窄的情况有关,这些情况并不普遍适用于互联网的全局受众。为了帮助使这个问题更广泛地适用,visit
所以我得到了这个算法我需要计算它的时间复杂度 这样的 for i=1 to n do k=i while (k<=n) do FLIP(A[k]) k
n 的 n 次方(即 n^n)是多项式吗? T(n) = 2T(n/2) + n^n 可以用master方法求解吗? 最佳答案 它不仅不是多项式,而且比阶乘还差。 O(n^n) 支配 O(n!)。同样
我正在研究一种算法,它可以在带有变音符号的字符(tilde、circumflex、caret、umlaut、caron)及其“简单”字符之间进行映射。 例如: ń ǹ ň ñ ṅ ņ ṇ
嗯..我从昨天开始学习APL。我正在观看 YouTube 视频,从基础开始学习各种符号,我正在使用 NARS2000。 我想要的是打印斐波那契数列。我知道有好几种代码,但是因为我没有研究过高深的东西,
已关闭。这个问题是 off-topic 。目前不接受答案。 想要改进这个问题吗? Update the question所以它是on-topic用于堆栈溢出。 已关闭12 年前。 Improve th
谁能帮我从 N * N * N → N 中找到一个双射数学函数,它接受三个参数 x、y 和 z 并返回数字 n? 我想知道函数 f 及其反函数 f',如果我有 n,我将能够通过应用 f'(n) 来
场景: 用户可以在字符串格式的方程式中输入任意数量的括号对。但是,我需要检查以确保所有括号 ( 或 ) 都有一个相邻的乘数符号 *。因此 3( 应该是 3*( 和 )3 应该是 )*3。 我需要将所有
在 Java 中,表达式: n+++n 似乎评估为等同于: n++ + n 尽管 +n 是一个有效的一元运算符,其优先级高于 n + n 中的算术 + 运算符。因此编译器似乎假设运算符不能是一元运算符
当我阅读 this 问题我记得有人曾经告诉我(很多年前),从汇编程序的角度来看,这两个操作非常不同: n = 0; n = n - n; 这是真的吗?如果是,为什么会这样? 编辑: 正如一些回复所指出
我正在尝试在reveal.js 中加载外部markdown 文件,该文件已编写为遵守数据分隔符语法: You can write your content as a separate file and
我试图弄清楚如何使用 Javascript 生成一个随机 11 个字符串,该字符串需要特定的字母/数字序列,以及位置。 ----------------------------------------
我最近偶然发现了一个资源,其中 2T(n/2) + n/log n 类型 的递归被 MM 宣布为无法解决。 直到今天,当另一种资源被证明是矛盾的(在某种意义上)时,我才接受它作为引理。 根据资源(下面
关闭。此题需要details or clarity 。目前不接受答案。 想要改进这个问题吗?通过 editing this post 添加详细信息并澄清问题. 已关闭 8 年前。 Improve th
我完成的一个代码遵循这个模式: for (i = 0; i < N; i++){ // O(N) //do some processing... } sort(array, array + N
有没有办法证明 f(n) + g(n) = theta(n^2) 还是不可能?假设 f(n) = theta(n^2) & g(n) = O(n^2) 我尝试了以下方法:f(n) = O(n^2) &
所以我目前正在尝试计算我拥有的一些数据的 Pearson R 和 p 值。这是通过以下代码完成的: import numpy as np from scipy.stats import pearson
ltree 列的默认排序为文本。示例:我的表 id、parentid 和 wbs 中有 3 列。 ltree 列 - wbs 将 1.1.12, 1.1.1, 1.1.2 存储在不同的行中。按 wbs
我的目标是编写一个程序来计算在 python 中表示数字所需的位数,如果我选择 number = -1 或任何负数,程序不会终止,这是我的代码: number = -1 cnt = 0 while(n
我是一名优秀的程序员,十分优秀!