我已经删除了很多像这样的易趣游戏:
Apple iPhone 5 White 16GB Dual-Core
我已经用这种方式手动标记了所有这些
B M C S NA
其中B =品牌(Apple)M =型号(iPhone 5)C =颜色(白色)S =尺寸(尺寸)NA =未指定(双核)
现在我需要使用python中的libsvm库训练SVM分类器,以了解ebay标题中出现的序列模式。
我需要通过将问题视为分类来提取该属性(品牌,型号,颜色,尺寸)的新值。通过这种方式,我可以预测新的模型。
我想考虑这个功能:
* Position
- from the beginning of the title
- to the end of the listing
* Orthographic features
- current word contains a digit
- current word is capitalized
....
我无法理解如何将所有这些信息提供给图书馆。官方文档缺少很多信息
我的班级是品牌,型号,尺寸,颜色,NA
SVM算法的输入文件必须包含什么?
我该如何创建它?考虑到我在问题中提供的4个功能,我可以举一个该文件的示例吗?我是否还可以使用一些代码来举例说明输入文件?
*更新* 我想代表这些功能......我该怎么做?
我认为我可以用这种方式解释它
0 --> Brand
1 --> Model
2 --> Color
3 --> Size
4 --> NA
如果我知道这个单词是Brand,我会将该变量设置为1(true)。 在训练测试中可以这样做(因为我已经标记了所有单词)但是我怎样才能为测试集做到这一点?我不知道单词的类别(这就是我学习它的原因:D)。
当前单词的N-gram子串特征(N = 4,5,6) 不知道,这意味着什么?
当前单词前2个单词的标识。 我该如何建模此功能?
考虑到我为第一个特征创建的图例,我有5 ^(5)组合
00 10 20 30 40
01 11 21 31 41
02 12 22 32 42
03 13 23 33 43
04 14 24 34 44
如何将其转换为libsvm(或scikit-learn)可以理解的格式?
我怎么能这样做? 拥有4个字典(颜色,大小,型号和品牌)我必须创建一个bool变量,当我和4个字典中的一个字典中的当前单词匹配时,我将设置为true。
我认为像4.功能一样,我必须使用bool变量。你同意吗?
答案 0 :(得分:11)
以下是有关如何使用数据训练SVM然后使用相同数据集进行评估的分步指南。它也可以在http://nbviewer.ipython.org/gist/anonymous/2cf3b993aab10bf26d5f获得。在网址上,您还可以看到中间数据的输出和结果的准确性(它是iPython notebook)
您需要安装以下库:
从命令行:
pip install pandas
pip install scikit-learn
我们将使用pandas加载我们的数据。 pandas是一个可以轻松加载数据的库。为了说明,我们先保存 将数据采样到csv,然后加载它。
我们将使用train.csv
训练SVM并获取带有test.csv
import pandas as pd
train_data_contents = """
class_label,distance_from_beginning,distance_from_end,contains_digit,capitalized
B,1,10,1,0
M,10,1,0,1
C,2,3,0,1
S,23,2,0,0
N,12,0,0,1"""
with open('train.csv', 'w') as output:
output.write(train_data_contents)
train_dataframe = pd.read_csv('train.csv')
我们会将数据帧转换为numpy数组,这是一种scikit- 学会理解。
我们需要将标签" B"," M"," C",...转换为数字,因为svm确实如此 不懂字符串。
然后我们将训练带有数据的线性svm
import numpy as np
train_labels = train_dataframe.class_label
labels = list(set(train_labels))
train_labels = np.array([labels.index(x) for x in train_labels])
train_features = train_dataframe.iloc[:,1:]
train_features = np.array(train_features)
print "train labels: "
print train_labels
print
print "train features:"
print train_features
我们在这里看到train_labels
(5)的长度与多少行完全匹配
我们在trainfeatures
。 train_labels
中的每个项目对应一行。
from sklearn import svm
classifier = svm.SVC()
classifier.fit(train_features, train_labels)
test_data_contents = """
class_label,distance_from_beginning,distance_from_end,contains_digit,capitalized
B,1,10,1,0
M,10,1,0,1
C,2,3,0,1
S,23,2,0,0
N,12,0,0,1
"""
with open('test.csv', 'w') as output:
output.write(test_data_contents)
test_dataframe = pd.read_csv('test.csv')
test_labels = test_dataframe.class_label
labels = list(set(test_labels))
test_labels = np.array([labels.index(x) for x in test_labels])
test_features = test_dataframe.iloc[:,1:]
test_features = np.array(test_features)
results = classifier.predict(test_features)
num_correct = (results == test_labels).sum()
recall = num_correct / len(test_labels)
print "model accuracy (%): ", recall * 100, "%"
您应该能够使用此代码并将train.csv
替换为您的测试数据test.csv
,并获取测试数据的预测以及准确性结果。
请注意,由于您使用所训练的数据进行评估,因此准确度会异常高。
答案 1 :(得分:2)
我回应@MarcoPashkov的评论,但会尝试详细说明LibSVM文件格式。我发现文档很全面但很难找到,对于Python lib我推荐README on GitHub。
要识别的一个重要部分是存在稀疏格式,其中0的所有要素都被删除,并且不删除0的要素的密集格式。这两个是从README中获得的每个等效示例。
# Dense data
>>> y, x = [1,-1], [[1,0,1], [-1,0,-1]]
# Sparse data
>>> y, x = [1,-1], [{1:1, 3:1}, {1:-1,3:-1}]
y
变量存储数据的所有类别的列表。
x
变量存储特征向量。
assert len(y) == len(x), "Both lists should be the same length"
Heart Scale Example中的格式是稀疏格式,其中字典键是特征索引,字典值是特征值,而第一个值是类别。
使用Bag of Words Representation作为特征向量时,稀疏格式非常有用。
由于大多数文档通常会使用语料库中使用的单词的一小部分,因此生成的矩阵将具有许多零(通常超过99%)的特征值。
例如,10,000个短文本文档(例如电子邮件)的集合将使用总数为100,000个唯一单词的词汇表,而每个文档将单独使用100到1000个唯一单词。
对于使用您开始使用的特征向量的示例,我训练了一个基本的LibSVM 3.20模型。此代码并非意图使用,但可能有助于展示如何创建和测试模型。
from collections import namedtuple
# Using namedtuples for descriptive purposes, in actual code a normal tuple would work fine.
Category = namedtuple("Category", ["index", "name"])
Feature = namedtuple("Feature", ["category_index", "distance_from_beginning", "distance_from_end", "contains_digit", "capitalized"])
# Separate up the set of categories, libsvm requires a numerical index so we associate each with an index.
categories = dict()
for index, name in enumerate("B M C S NA".split(' ')):
# LibSVM expects index to start at 1, not 0.
categories[name] = Category(index + 1, name)
categories
Out[0]: {'B': Category(index=1, name='B'),
'C': Category(index=3, name='C'),
'M': Category(index=2, name='M'),
'NA': Category(index=5, name='NA'),
'S': Category(index=4, name='S')}
# Faked set of CSV input for example purposes.
csv_input_lines = """category_index,distance_from_beginning,distance_from_end,contains_digit,capitalized
B,1,10,1,0
M,10,1,0,1
C,2,3,0,1
S,23,2,0,0
NA,12,0,0,1""".split("\n")
# We just ignore the header.
header = csv_input_lines[0]
# A list of Feature namedtuples, this will be trained as lists.
features = list()
for line in csv_input_lines[1:]:
split_values = line.split(',')
# Create a Feature with the values converted to integers.
features.append(Feature(categories[split_values[0]].index, *map(int, split_values[1:])))
features
Out[1]: [Feature(category_index=1, distance_from_beginning=1, distance_from_end=10, contains_digit=1, capitalized=0),
Feature(category_index=2, distance_from_beginning=10, distance_from_end=1, contains_digit=0, capitalized=1),
Feature(category_index=3, distance_from_beginning=2, distance_from_end=3, contains_digit=0, capitalized=1),
Feature(category_index=4, distance_from_beginning=23, distance_from_end=2, contains_digit=0, capitalized=0),
Feature(category_index=5, distance_from_beginning=12, distance_from_end=0, contains_digit=0, capitalized=1)]
# Y is the category index used in training for each Feature. Now it is an array (order important) of all the trained indexes.
y = map(lambda f: f.category_index, features)
# X is the feature vector, for this we convert all the named tuple's values except the category which is at index 0.
x = map(lambda f: list(f)[1:], features)
from svmutil import svm_parameter, svm_problem, svm_train, svm_predict
# Barebones defaults for SVM
param = svm_parameter()
# The (Y,X) parameters should be the train dataset.
prob = svm_problem(y, x)
model=svm_train(prob, param)
# For actual accuracy checking, the (Y,X) parameters should be the test dataset.
p_labels, p_acc, p_vals = svm_predict(y, x, model)
Out[3]: Accuracy = 100% (5/5) (classification)
我希望这个例子有所帮助,它不应该用于你的训练。这只是一个例子,因为它效率低下。