问题标签 [liblinear]

我正在尝试构建一个有监督的多标签预测器。

我曾尝试使用 liblinear 二进制分类器，每个标签都有一个模型，但我没有得到好的结果，可能是因为训练数据非常稀疏（许多输入文档没有任何标签）。

有人知道是否有更好的算法可以用于稀疏标记的数据？

这是我的第一个机器学习练习，我想使用 LIBLINEAR 来训练一些数据。我工作过的训练数据存储为大小为m x m x n的多维矩阵，其中有 m x m 矩阵的 n 个实例，m x m矩阵中的每个单元格都包含一个介于 1-255 之间的值来表示像素值。

该数据包含一个n x1 标签向量。但是，尝试使用 LIBLINEAR 函数 train(training_labels, sparse(training_data)) 会产生错误。我认为这是因为 training_data 是一个 3d 矩阵。我错过或不理解哪些步骤？我假设因为 training_labels 是n x1，所以 training_labels 向量中的每个值都映射到一个m x m数据矩阵。不是这样吗？

谢谢！

到目前为止，我一直在训练 HOG 使用 LibLinear 检测具有相当不错结果的对象。当我看到 LibSVM 包中包含的 grid.py python-script 时，我通过使用不同的 C 值进行交叉验证来重新创建它。

然而，这个脚本正在尝试 C 和 gamma 的不同值，但 liblinear 没有 gamma 参数，偏置参数是否类似于 LibSVM 的 gamma？

谢谢！

I am training my datasets in Liblinear: train heart_scale, but i am getting this error

Reference: README file from Liblinear's source code. I downloaded it from here: http://www.csie.ntu.edu.tw/~cjlin/cgi-bin/liblinear.cgi?+http://www.csie.ntu.edu.tw/~cjlin/liblinear+tar.gz

我正在使用 weka 构建一个模型。我需要为我们的模型使用 liblinear。为了使用 weka GUI 进行测试，我需要将 liblinear jar 添加到我的类路径中，但是在类路径中添加 liblinear jar 之后，Weka GUI 仍然给我错误 liblinear classes not found。我已经通过互联网搜索并没有找到任何东西。有没有人和我一样面临同样问题的人。此外，任何帮助将不胜感激。

在查看 Malt Parser 的源代码时，它实际上具有类 LibLinear.java（jar 文件）并调用了 liblinear 工具包的 java 版本；尽管有信息表明，原则上使用带有逻辑回归（-s 0）的liblinear（默认在麦芽解析器中）训练模型应该产生解析树的概率分数，但我没有找到任何返回概率的选项/方法。

主要关心的是：Liblinear 和 Malt Parser 的集成工作是否顺利，不会相互影响预期的操作？

与 Liblinear 分开工作确实给了我数据集的概率输出。

//使用逻辑回归模型训练数据

//标签和类以及概率输出。这里 -b 1 确实提取了每个数据集的概率。

参考：https ://stackoverflow.com/questions/28791352/how-to-get-probability-score-of-parsed-sentences-using-malt-parser

我需要使用 Liblinear 实现多分类分类器。Accord.net 机器学习框架提供了除 Crammer 和 Singer 的多类分类公式之外的所有 Liblinear 属性。这就是过程。

我已经使用 weka 建立了一个分类模型。我有两个类，即 {spam,non-spam} 应用 stringtowordvector 过滤器后，我得到了 19000 条记录的 10000 个属性。然后我使用 liblinear 库来构建模型，它给我的 F 分数如下： Spam-94% non-spam-98%

当我使用相同的模型来预测新实例时，它会将所有这些实例都预测为垃圾邮件。此外，当我尝试使用与训练集相同的测试集时，它也将它们都预测为垃圾邮件。我在精神上筋疲力尽地找到问题。任何帮助将不胜感激。

我知道可以sklearn.svm.SVC通过将probability=True选项传入构造函数并让 SVM 预测概率来评估 AUC，但我不确定如何评估sklearn.svm.LinearSVCAUC。有谁知道怎么做？

我想使用LinearSVCover，SVC因为LinearSVC似乎在具有许多属性的数据上训练得更快。

我有一个大数据集，我正在尝试为它构建一个 DAgger 分类器。如您所知，在训练时，我需要在训练实例上运行初始学习分类器（预测它们），一次一个实例。

即使是最初的学习，Libsvm 也太慢了。

我正在使用 OLL，但这需要将每个实例写入一个文件，然后在其上运行测试代码并获得预测，这涉及许多磁盘 I/O。

我考虑过使用 vowpal_wabbit（但我不确定它是否有助于磁盘 I/O），但我没有权限将它安装在我正在使用的集群上。

Liblinear 太慢了，相信又需要磁盘 I/OI。我可以使用哪些其他替代方案？