机器学习和生物信息学实验室联盟

标题: PCVMs--使用方法（分类器） [打印本页]
作者: guojiasheng    时间: 2016-3-11 17:35
标题: PCVMs--使用方法（分类器）
本帖最后由 guojiasheng 于 2016-3-12 11:17 编辑

               Probabilistic Classification Vector Machine (PCVM):

     大概说明一下这个东西，我也没怎么研究过，不过要有拿来主义的精神，会用就好！
具体大家可以到这个网站查看：
        https://www.techfak.uni-bielefeld.de/~fschleif/software.xhtml

      1. 我粗略的拜读了这文章。下面简要说明，有错大家不要见怪~~~
       1）PCVMs类似SVM，model的function,看最下方图片：
            因此参数里面也有个kernel
       2）PCVMs 通过对function的参数w引入Gaussian prior 使得PCVMs可以输出分类的概率。
            SVM通过最大间隔化进行分类，现在也有方法使得svm的binary的output可以转变成概率输出，但是这个概率输出不是很可靠（作者这么说）
       3）SVM需要通过交叉验证去最优化参数，比如C g这些参数，随着训练数据的变大，会很耗时。PCVMs不用。

       其他的大家自己看论文去吧~
         

     2. 数据格式说明：
        数据的格式是cvs的，具体如下：
  1. 88,67,21,11,11,0.5,1
  2. 92,54,22,20,7,0.5,1
  3. 90,60,25,19,5,0.5,1
  4. 89,52,13,24,15,0.5,1
  5. 82,62,17,17,15,0.5,1
  6. 90,64,61,32,13,0.5,1
复制代码

其中最后一列是类别标签，其实就是把arff最上面的那些熟悉值说明去掉即可。

     3.  usage：
       有两个版本： windows  和  linux（需要安装一些环境，比如boost，libtool等一些，然后自己编译）
   
    命令参数：
    --cv true (进行交叉验证)
    --k-fold（5,10折这样的）
    --kernel 1 (这是kernel的选择，1 代表elm-kernel ,默认是linear的)
    --data （文件路径，这个只能是cvs格式的,把arff文件的上面属性说明去掉就好）
   
1）windows下：
          我下的上面网站链接的：PCVM windows binaries (including libaries)
          1.交叉验证：
               使用cmd进入目录
               命令： PCVM.exe --cv true --k-fold 10 --kernel 1 --data D://bupa.cvs
          2.train model
               命令：　 PCVM.exe  --model D://model.txt --kernel 1 --data D://bupa.cvs
               模型的那些参数会保存在model.txt里面
          3.predict  
                 PCVM.exe --model D://model.txt --kernel 1 --data D://bupa.cvs  --predict ture

         当然还有其他的命令，大家可以自己看论文。

2）linux下：
          我下的是上面网站链接的： Probabilistic Classification Vector Machine (PCVM): PCVM in C++
          类似，就是编译可能会麻烦点，需要安装boost，armadillo,libtool等。大家可以试试，编译不过的可以找我~~
          注意：编译后可执行文件在pcvm-bin目录下
  1. Examples (all in pcvm_bin/)
  2. 1) Classify vectorial iris data in data/ using defaults (linear kernel, 500 cycles)
  3.    ./pcvm
  4. 2) Same as 1) but with a crossvalidation (10 fold)
  5.    ./pcvm --cv true
  6. 3) Same as 2) but with a 5 fold crossvalidation
  7.    ./pcvm --cv true --k-fold 5
  8. 4) Same as 1) but with an elm-kernel instead of a linear one
  9.    ./pcvm --kernel 1
  10. 5) Same as 4) but with storing the model result in test1.txt
  11.    ./pcvm --kernel 1 --model test1.txt
  12. 6) Same as 1) but with a user defined dataset
  13.    ./pcvm --data data/randn_n_2c.csv
  14. 7) Same as 5) but by classifying the given data against the specified model
  15.    (make sure that the model fits to the provided data)
  16.    ./pcvm --kernel 1 --model test1.txt --data data/randn_n_2c.csv --predict true
  17. 8) Generate a model for a user defined kernel (the input data must have a special format - see above)
  18.    store the model in test1.txt and apply a 10-fold crossvalidation
  19.     ./pcvm --cv true --model test1.txt --kernel 2 --data data/iris_kernel_small.csv
  20. 9) Classify new data against the model obtain in 8 (not the difference in the --data argument)
  21.     ./pcvm --cv true --model test1.txt --kernel 2 --data data/iris_kernel_small_test.csv --predict true
  22. 10) Generate an iris classification model based on a nystroem approximated matrix (here with 10 landmarks) and store the model in test1.model
  23.     ./pcvm --data data/iris_lin_ny.csv --kernel 2 --nystroem true --model test1.model
  24. 11) Match against the model obtained in 10)
  25.     ./pcvm --data data/iris_lin_ny_test.csv --kernel 2 --nystroem true  --model test1.model --predict true
复制代码




实验结果：
       用了bupa.arff进行了10则交叉验证 :   效果和lib3c差不多，比rf稍微好些。
ACC:
    PCVM: :72.2%
    LIBD3C: 72.4
    RF:70% 左右
   



  


               




欢迎光临 机器学习和生物信息学实验室联盟 (http://123.57.240.48/) Powered by Discuz! X3.2