में प्रोफाइलिंग एसवीएम (ई 1071) मैं आर और एसवीएम के लिए नया हूं और मैं पैकेज से svm
फ़ंक्शन को प्रोफाइल करने का प्रयास कर रहा हूं। हालांकि, मुझे कोई बड़ा डेटासेट नहीं मिल रहा है जो मुझे इनपुट डेटा के आकार को अलग-अलग परिणामों की अच्छी प्रोफाइलिंग रेंज प्राप्त करने की अनुमति देता है। क्या किसी को पता है कि svm
कैसे काम करना है? मुझे किस डेटासेट का उपयोग करना चाहिए? svm
पर कोई विशेष पैरामीटर जो इसे कड़ी मेहनत करता है?आर
मैं कुछ कमांड कॉपी करता हूं जिनका उपयोग मैं प्रदर्शन का परीक्षण करने के लिए कर रहा हूं। शायद यह मैं यहाँ क्या कोशिश कर रहा हूँ प्राप्त करने के लिए सबसे उपयोगी और आसान है:
#loading libraries
library(class)
library(e1071)
#I've been using golubEsets (more examples availables)
library(golubEsets)
#get the data: matrix 7129x38
data(Golub_Train)
n <- exprs(Golub_Train)
#duplicate rows(to make the dataset larger)
n<-rbind(n,n)
#take training samples as a vector
samplelabels <- as.vector([email protected]@data$ALL.AML)
#calculate svm and profile it
Rprof('svm.out')
svmmodel1 <- svm(x=t(n), y=samplelabels, type='C', kernel="radial", cross=10)
Rprof(NULL)
मैं डाटासेट पंक्तियों और स्तंभों को डुप्लिकेट बढ़ती रखना लेकिन मैं स्मृति की सीमा के बजाय पहुंच गया svm
कठिन काम करता है बनाने के ...
प्रशिक्षण बिंदुओं को डुप्लिकेट करने से समस्या किसी भी कठिन नहीं होती है। चूंकि अधिकांश एसवीएम को पूरे डेटासेट को मुख्य मेमोरी में फ़िट करने की आवश्यकता होती है, इसलिए यह समझ में आता है कि अंत में आप स्मृति त्रुटियों को दबाते हैं। – karenu
तो, मैं एक उचित बड़े डेटासेट के साथ कैसे प्रयास कर सकता हूं? क्या आप किसी भी उदाहरण का उपयोग कर सकते हैं जिसका मैं उपयोग कर सकता हूं? – Manolete
हां, यदि आप मेरा जवाब देखते हैं, तो मैंने कई उपलब्ध डेटासेट सूचीबद्ध किए हैं। साथ ही, आपको सर्वोत्तम पैरामीटर खोजने के लिए पैरामीटर ट्यूनिंग करना चाहिए, आप पाएंगे कि जब आप उन पैरामीटरों की खोज करते हैं जो आपको सबसे सटीकता देते हैं तो कुछ लोगों की तुलना में ट्रेन करने में अधिक समय लगेगा। लेखक के libsvm से प्रैक्टिकल गाइड देखें: http://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=0CFYQFjAA&url=http%3A%2F%2Fwww.csie.ntu .edu.tw% 2F ~ cjlin% 2Ppapers% 2Fguide% 2Fguide.pdf और ei = WtLhT46NO-jw0gG30pHVAw और usg = AFQjCNFol0McRktHC6gsBxKXqQMvmQUFeg – karenu