抑制 libsvm (python) 中的输出

Posted 2023-03-12

【中文标题】抑制 libsvm (python) 中的输出

【英文标题】：Suppressing the output in libsvm (python)

【发布时间】：2012-01-08 07:20:55

【问题描述】：

我正在使用来自 python 的 libsvm (svmutils) 来执行分类任务。分类器是准确的。但是，我得到这样的输出：

*
optimization finished, #iter = 75
nu = 0.000021
obj = -0.024330, rho = 0.563710
nSV = 26, nBSV = 0
Total nSV = 26
*
optimization finished, #iter = 66
nu = 0.000030
obj = -0.035536, rho = -0.500676
nSV = 21, nBSV = 0
Total nSV = 21
*
optimization finished, #iter = 78
nu = 0.000029
obj = -0.033921, rho = -0.543311
nSV = 23, nBSV = 0
Total nSV = 23
*
optimization finished, #iter = 90
nu = 0.000030
obj = -0.035333, rho = -0.634721
nSV = 23, nBSV = 0
Total nSV = 23
Accuracy = 0% (0/1) (classification)
Accuracy = 0% (0/1) (classification)
Accuracy = 0% (0/1) (classification)
Accuracy = 0% (0/1) (classification)

有什么办法可以抑制这个对话框吗？分类器非常好用，我只是好奇。另外，"Accuracy" 代表什么？为什么在我的情况下这是 0%？ （数据在 80 个维度上不重叠。总共 4 个类。我也对其进行了适当的规范化。）

【参考方案1】：

使用-q 参数选项

import svmutil
param = svmutil.svm_parameter('-q')
...

或

import svmutil
x = [[0.2, 0.1], [0.7, 0.6]]
y = [0, 1]
svmutil.svm_train(y, x, '-q')

【参考方案2】：

这可以工作：

import sys
from StringIO import StringIO

# back up your standard output
bkp_stdout = sys.stdout

# replace standard output with dummy stream
sys.stdout = StringIO()
print 1  # here you should put you call (classification)

#restore standard output for further use
sys.stdout = bkp_stdout
print 2

此外，在分类问题中，准确度是使用经过训练的模型从您的测试/交叉验证集中正确预测项目的部分（百分比）。

【讨论】：

实际上，我有一些属于 4 个类的训练数据，每个类都有一个 80 维的特征向量和 4 个 one-vs-rest 分类器来测试单个测试点。在这种情况下，是否通过类似“如果测试点在训练期间已标记，则交叉验证成功且准确度为 100% 否则交叉验证失败且准确度为 0”之类的方式计算准确度（它将只有 0 或 100 % 在这种方法中，因为测试数据只是一个点）？？我说对了吗？谢谢，答案有帮助。

【参考方案3】：

要同时抑制训练和预测输出，您需要结合 has2k1（用于抑制训练输出）和 vonPetrushev（用于抑制预测输出）提供的解决方案。

很遗憾，您不能执行以下操作：

# Test matrix built, execute prediction.
paramString = "" if useVerbosity else " -q "
predLabels, predAccuracy, predDiscriminants = \
 svmutil.svm_predict( targetLabels, testData, svModel.representation, paramString )

因为使用当前的python接口你会得到如下错误：

  File "/home/jbbrown/local_bin/pyLibSVM/pyLibSVM/svmutil.py", line 193, in svm_predict
    raise ValueError("Wrong options")
  ValueError: Wrong options