Любая библиотека поддержки векторной машины python, которая позволяет онлайн-обучение?

Я знаю, что есть несколько библиотек, которые позволяют использовать векторные машины Support из кода python, но я ищу специально для библиотек, которые позволяют научить его онлайн (это значит, что вам не нужно сразу все данные).

Есть ли какие-нибудь?

LibSVM включает оболочку python, которая работает через SWIG.

Пример svm-test.py из их распределения:

#!/usr/bin/env python from svm import * # a three-class problem labels = [0, 1, 1, 2] samples = [[0, 0], [0, 1], [1, 0], [1, 1]] problem = svm_problem(labels, samples); size = len(samples) kernels = [LINEAR, POLY, RBF] kname = ['linear','polynomial','rbf'] param = svm_parameter(C = 10,nr_weight = 2,weight_label = [1,0],weight = [10,1]) for k in kernels: param.kernel_type = k; model = svm_model(problem,param) errors = 0 for i in range(size): prediction = model.predict(samples[i]) probability = model.predict_probability if (labels[i] != prediction): errors = errors + 1 print "##########################################" print " kernel %s: error rate = %d / %d" % (kname[param.kernel_type], errors, size) print "##########################################" param = svm_parameter(kernel_type = RBF, C=10) model = svm_model(problem, param) print "##########################################" print " Decision values of predicting %s" % (samples[0]) print "##########################################" print "Numer of Classes:", model.get_nr_class() d = model.predict_values(samples[0]) for i in model.get_labels(): for j in model.get_labels(): if j>i: print "{%d, %d} = %9.5f" % (i, j, d[i,j]) param = svm_parameter(kernel_type = RBF, C=10, probability = 1) model = svm_model(problem, param) pred_label, pred_probability = model.predict_probability(samples[1]) print "##########################################" print " Probability estimate of predicting %s" % (samples[1]) print "##########################################" print "predicted class: %d" % (pred_label) for i in model.get_labels(): print "prob(label=%d) = %f" % (i, pred_probability[i]) print "##########################################" print " Precomputed kernels" print "##########################################" samples = [[1, 0, 0, 0, 0], [2, 0, 1, 0, 1], [3, 0, 0, 1, 1], [4, 0, 1, 1, 2]] problem = svm_problem(labels, samples); param = svm_parameter(kernel_type=PRECOMPUTED,C = 10,nr_weight = 2,weight_label = [1,0],weight = [10,1]) model = svm_model(problem, param) pred_label = model.predict(samples[0]) 

Не слышал об одном. Но вам действительно нужно онлайн-обучение? Я использую SVM в течение некоторого времени и никогда не сталкивался с проблемой, когда мне приходилось использовать онлайн-обучение. Обычно я устанавливаю порог числа изменений учебных примеров (возможно, 100 или 1000), а затем просто переучиваю все.

Если ваша проблема в масштабе, где вам абсолютно необходимо использовать онлайн-обучение, тогда вам, возможно, захочется взглянуть на vowpal wabbit .

Подтвержденный ниже, после комментария:

Оливье Гризель предложил использовать обертку ctypes вокруг LaSVM . Так как я раньше не знал о LaSVM, и это выглядит довольно круто, я заинтригован, чтобы попробовать его на свои проблемы :).

Если вы ограничены только использованием Python-VM (встроенное устройство, робот), я бы предложил использовать проголосовавший / усредненный персептрон, который работает близко к SVM, но его легко реализовать и «онлайн» по умолчанию.

Просто увидел, что у Elefant есть код онлайн-SVM.

Хотя там нет связок python, алгоритм, описанный в http://leon.bottou.org/projects/sgd , обучен онлайн-моду и легко переопределяется с использованием, например, numpy.

Pegasos – это онлайн-алгоритм SVM, который работает довольно хорошо. Это также довольно легко реализовать, даже без конкретной привязки Python. На веб-сайте автора есть реализация C , которая также может быть адаптирована или встраиваться.

Почему вы хотите обучить его онлайн? Добавление экземпляров тренингов обычно требует повторного решения проблемы квадратичного программирования, связанной с SVM.

Способ справиться с этим состоит в том, чтобы подготовить SVM в пакетном режиме, и когда новые данные доступны, проверьте, находятся ли эти точки данных в поле [-1, +1] гиперплоскости. Если это так, переустановите SVM, используя все старые вспомогательные векторы, и новые данные обучения, которые попадают в поле.

Конечно, результаты могут быть немного разными по сравнению с пакетным обучением по всем вашим данным, так как некоторые моменты могут быть отброшены, что позже будет поддерживать векторы. Итак, почему вы хотите выполнить онлайн-тренинг для вас SVM?