【问题标题】：Custom SVM optimization using LIBLINEAR or LIBSVM使用 LIBLINEAR 或 LIBSVM 进行自定义 SVM 优化
【发布时间】：2016-05-28 12:10:17
【问题描述】：
我有一个 PU 学习任务，我在这篇论文中发现了一个看起来像解决它的特殊算法：https://www.cs.uic.edu/~liub/publications/ICDM-03.pdf
我希望实现第 5 部分中描述的“有偏”SVM 的非标准公式。
使用两个
参数 C+ 和 C- 来加权正错误和
不同的负错误。
我想我会使用现有的 SVM 求解器来解决这个问题，不仅可以加快跑腿工作，还可以确保最佳时间复杂度，因为我的特征空间和样本数量都非常大（因此我希望使用 LIBLINEAR）。
有没有办法像上面那样指定自定义损失函数？
感谢您的帮助。
【问题讨论】：
标签：
python
svm
libsvm
liblinear
quadratic-programming
【解决方案1】：
LIBLINEAR 'train' 接受参数 -wi weight：“权重调整不同类别的参数 C”。它的实际用途（它需要一个数组吗？）我仍然不清楚，即使在阅读了自述文件之后。 但是 Sklearn 的 LinearSVC 使用 LIBLINEAR 并提供了一个参数：
class_weight : {dict, ‘balanced’}, 可选
对于 SVC，将第 i 类的参数 C 设置为 class_weight[i]*C。如果没有给出，所有的类都应该有一个权重。 “平衡”模式使用 y 的值自动调整权重，与输入数据中的类频率成反比，如 n_samples / (n_classes * np.bincount(y))
这相当很有用。