LibSVM: -wi विकल्प (वजन चयन) क्रॉस-सत्यापन और परीक्षण के दौरान

Question

मुझे libSVM के वज़न विकल्प के बारे में मदद चाहिए। मैं किसी बिंदु पर उलझन में हूँ; क्या हमें क्रॉस-सत्यापन करते समय -wi विकल्प का भी उपयोग करना चाहिए? यदि हां, तो क्या हमें वी-1 सबसेट्स (वी-फ़ोल्ड क्रॉस-सत्यापन के लिए) के अनुसार पूरे डेटा या गणना किए गए वजन के गणना किए गए वजन का उपयोग करना चाहिए? और मेरा दूसरा सवाल यह है कि हम भविष्यवाणी के दौरान -wi विकल्प का उपयोग करना चाहिए? यदि हां, तो क्या हमें प्रशिक्षण के दौरान गणना की गई वजन का उपयोग करना चाहिए या क्या हमें परीक्षण डेटा में नकारात्मक और सकारात्मक उदाहरणों के वितरण के अनुसार वजन की गणना करनी चाहिए?

उदाहरण के लिए; हमारे पास 50 + डेटा और 200 - डेटा है। तो सर्वोत्तम सी और गामा पैरामीटर मानों की गणना करने के बाद हम प्रशिक्षण के दौरान -w1 4 -w-1 1 विकल्प का उपयोग करेंगे। लेकिन ग्रिड खोज और क्रॉस सत्यापन के दौरान प्रशिक्षण के बारे में क्या? मान लीजिए कि हम 5 गुना क्रॉस-सत्यापन कर रहे हैं। प्रत्येक शेष 4 सबसेट पर प्रशिक्षण करते समय, नकारात्मक और संभावित उदाहरणों का वितरण शायद बदल जाएगा। तो क्या हमें इस 5 गुना क्रॉस सत्यापन के दौरान वजन का पुनर्मूल्यांकन करना चाहिए?

जोर से हम परीक्षण करते समय -w1 4 -w-1 1 विकल्प का उपयोग करते हैं?

धन्यवाद

Answer 1

अपने पहले प्रश्न के उत्तर देने के लिए, यदि आप मॉडल प्रशिक्षण के दौरान कक्षाओं के सबसेट गैर तुच्छ वजन आवेदन कर रहे हैं, तो आप अपने प्रशिक्षण/ट्यूनिंग जो पार सत्यापन आधारित ट्यूनिंग शामिल भर एक ही करना चाहिए सी और गामा (अन्यथा आप लागत-संवेदनशील उद्देश्य/जोखिम/हानि फ़ंक्शन के आधार पर मॉडल को ट्यून कर रहे हैं जो कि वास्तविक रूप से गैर-तुच्छ वर्ग वजन को सक्षम करके निर्दिष्ट है)

कक्षा वजन libSVM के बाहर बाहरी अर्थ यह है कि उनकी libsVM द्वारा गणना नहीं की जाती है - वह कमांड लाइन विकल्प उपयोगकर्ता को अपने स्वयं के वर्ग वजन निर्धारित करने/महत्व को कम करने की अनुमति देता है कक्षाओं के एक उप-समूह का। कुछ लोग कक्षा के वजन को भी धुन देते हैं लेकिन यह एक अलग कहानी है।

भविष्यवाणी के लिए, वर्ग वजन का स्पष्ट रूप से उपयोग नहीं किया जाता है (क्योंकि वे मॉडल प्रशिक्षण/ट्यूनिंग चरण के दौरान उद्देश्य/जोखिम/हानि समारोह में "ट्विक" के रूप में आते हैं, इसलिए परिणामी मॉडल पहले से ही "जागरूक है "वजन का)