Setzen Sie die Gewichte der Entscheidungsfunktionen durch stdin in Sklearn

Gibt es eine Methode, die ich die Koeffizienten in den clf von SVC in meinem Skript clf.score() , dann wenden Sie clf.score() oder clf.predict() Funktion für weitere Tests?

Zurzeit verwende ich joblib.dump(clf,'file.plk') , um alle Informationen eines trainierten clf . Aber das beinhaltet das Festplattenschreiben / Lesen. Es wird für mich hilfreich sein, wenn ich nur einen clf mit zwei Arrays definieren kann, die den Unterstützungsvektor ( clf.support_vectors_ ), die Gewichte ( clf.coef_ / clf.dual_coef_ ) und die Bias ( clf.intercept_ ) darstellen.

  • Zugriff auf PHP $ _SESSION von python (wsgi) - ist es möglich?
  • Python SOCK_STREAM über Internet
  • Datum Zeitformat Umwandlung
  • Leere Antwort von Facebook Graph
  • Django kann keine Standardtabelle mit dem Befehl "python manage.py syncdb" erstellen
  • Parse CSV-Aufzeichnungen in eine Liste von Klassen
  • NumPy-Performance: uint8 vs. Float und Multiplikation vs Division?
  • Python + LDAP + SSL
  • Python einfache regex helfen
  • Aggregat durch wiederholten datetime index mit verschiedenen identifikatoren in einer spalte auf einem pandas dataframe
  • Verbinden mit MS SQL Server mit python on linux mit 'Windows Credentials'
  • Führen Sie 'query session' aus python
  • 2 Solutions collect form web for “Setzen Sie die Gewichte der Entscheidungsfunktionen durch stdin in Sklearn”

    Diese Zeile ruft die Vorhersagefunktion von libsvm auf. Es sieht so aus (aber bitte werfen Sie einen Blick auf die ganze Funktion _dense_predict ):

     libsvm.predict( X, self.support_, self.support_vectors_, self.n_support_, self.dual_coef_, self._intercept_, self.probA_, self.probB_, svm_type=svm_type, kernel=kernel, degree=self.degree, coef0=self.coef0, gamma=self._gamma, cache_size=self.cache_size) 

    Sie können diese Zeile verwenden und geben Sie alle relevanten Informationen direkt und erhalten eine rohe Vorhersage. Um dies zu tun, müssen Sie die libsvm from sklearn.svm import libsvm . Wenn Ihr anfänglicher svc heißt, können Sie alle relevanten Informationen von ihm erhalten, indem Sie alle self durch svc und die Werte svc . Wenn svc._impl gibt Ihnen "c_svc" , dann setzen Sie svm_type=0 .

    Beachten Sie, dass Sie am Anfang der Funktion _dense_predict X = self._compute_kernel(X) . Wenn deine Daten X , dann musst du sie umwandeln, indem du K = svc._compute_kernel(X) libsvm.predict und die libsvm.predict Funktion mit K als erstes Argument libsvm.predict

    Das Scoring ist unabhängig davon. sklearn.metrics Sie einen Blick auf sklearn.metrics , wo finden Sie zB die accuracy_score , die die Standard-Score in SVM ist.

    Dies ist natürlich eine etwas suboptimale Art, Dinge zu tun, aber in diesem speziellen Fall, wenn es unmöglich ist (ich habe nicht sehr hart getestet), um Koeffizienten einzustellen, dann in den Code zu gehen und zu sehen, was es tut und extrahiert den relevanten Teil ist Sicherlich eine Option.

    Schauen Sie sich diese Blog-Post auf Speicher Nutzung von Sklearn- Modelle mit knapper Versuche zu sehen, ob es anwendbar ist.

    Wenn der andere Standort keinen Zugriff auf die Sklearn- Pakete hat, müssten Sie Ihre eigene Partitur erstellen und Funktionen vorhersagen. clf.score() und clf.predict() erfordert clf als sklearn- Objekt.

    Python ist die beste Programmiersprache der Welt.