在libsvm（python）中抑制输出

Question

我正在使用Python中的libsvm（svmutils）进行分类任务。分类器是精确的。然而，我得到的输出如下：

*
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)

有没有办法可以禁止出现这个对话框？分类器完全正常，只是我好奇。此外，“准确度”代表什么？为什么在我的情况下为0％？（数据在80个维度中不重叠。总共4个类别。我也已经适当地进行了归一化。）

- Nihar Sarangi

Answer 1

使用-q参数选项。

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

or

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

- has2k1

Answer 2

为了抑制训练和预测输出，你需要将 has2k1（用于抑制训练输出）和 vonPetrushev（用于抑制预测输出）提供的解决方案组合起来。

不幸的是，你不能像下面这样做：

# 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接口会出现以下错误：

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

- J.B. Brown

Answer 3

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，准确率是使用训练模型对测试/交叉验证集正确预测的项目所占的部分（百分比）。

- vonPetrushev

---

实际上，我有一些训练数据，分别属于4个类，每个类别都有一个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，是否通过类似于“如果测试点在训练期间已经标记，则交叉验证成功并且准确度为100％，否则交叉验证失败并且准确度为0”的方式来计算准确率？（在此方法中，由于测试数据仅为单个点，因此仅为0或100％）我理解得对吗？感谢您的答复。 - Nihar Sarangi