dari
Support
Vector
Machines
(SVM)
di
C.
Fitur-fitur yang terdapat dalam software ini cukup banyak, berikut beberapa fitur utama nya :
1. Algoritma fast optimization
Perangkat lunak ini juga menyediakan metode untuk menilai kinerja generalisasi secara efisien,
yang mencangkup dua metode estimasi yang efisien yaitu tingkat kesalahan dan presisi / recall.
Estimasi XiAlpha dapat dihitung tanpa biaya komputasi, tetapi secara konservatif bias.
SVM light memanfaatkan hasil dari leave one-out yang telah ditentukan dan tidak perlu
dihitung.
Dalam versi 6.02 ada algoritma untuk mempelajari fungsi rangking. Tujuannya adalah untuk
mempelajari fungsi dari contoh preferensi, sehingga dapat mengurutkan data dengan benar.
Masalah rangking tersebut terjadi dalam aplikasi seperti mesin pencari dan sistem recommender.
Versi ini mencakup algoritma untuk pembelajaran transductive SVMs berskala besar. Algoritma
diperoleh dengan memecahkan urutan masalah optimasi lower-bounding the solution
menggunakan bentuk pencarian lokal.
Kode telah digunakan pada berbagai macam masalah, termasuk klasifikasi teks, tugas
pengenalan gambar, bioinformatika dan aplikasi medis. Banyak pekerjaan yang memiliki sifat
sparse instance vector. Implementasi ini memanfaatkan properti yang mengarah pada
representasi yang sangat ringkas dan efisien.
Langkah-langkah untuk menginstal SVM light pada linux adalah seperti berikut:
1. Buka terminal
2. Download svm_light.tar.gz
3. Buat direktori baru:
mkdir svm_light
4. Pindahkan svm_light.tar.gz ke direktori yang tadi lalu ekstrak dengan cara:
SVM light terdiri dari modul pembelajaran (svm_learn) dan modul klasifikasi (svm_classify).
Modul
klasifikasi
untuk
melatih
acuan
data
yang
diberikan
menjadi
model.
Dalam SVM Light nilai target dan masing-masing pasangan fitur / nilai dipisahkan oleh karakter
spasi. Pasangan fitur/nilai harus diurutkan meningkat/naik. Fitur-fitur dengan nilai nol dapat
dihilangkan. String <info> dapat digunakan untuk menyampaikan informasi tambahan untuk
kernel.
+1 menunjukkan
sebagai nilai target positive example, -1 sebagai negative example. Dalam mode regresi, <target>
memuat nilai target yang bernilai real. Dalam mode rangking, nilai target digunakan untuk men-
generated kendala preferensi yang berpasangan. Pada semua mode, hasil svm_learn adalah
model yang dipelajari dari data pelatihan.