LIBLINER——一个大型线性分类库
版本2.47于2023年7月9日发布。我们修复了一些小错误。
版本2.43于2021年2月25日发布。支持通过PyPI安装Python接口
>pip安装-U liblinear官方
对python目录进行了重新组织，以便>>>来自liblinear.liblinearutil导入*
而不是>>>从liblinearutil导入*
应该使用。
2.42版于2020年11月1日发布。对于双CD解算器（logistic/l2损失，但不是l1损失），如果最大数量为迭代达到时，LIBLINER直接切换到运行原始牛顿解算器。请参见发布说明
多核LIBLINEAR现在可以显著加快训练速度在共享内存系统上。
我们对大型稀疏回归数据。如果你有，请告诉我们。谢谢您。
LIBLINEAR实用指南现在在年底可用LIBLINEAR银行纸张。
LIBLINEAR的一些扩展位于LIBSVM Tools.
LIBLINEAR是ICML 2008大型学习挑战（线性SVM轨迹）。它也用于获胜2010年KDD杯。
介绍
LIBLINEAR银行是一个线性的分类器对于具有的数据数以百万计的第页，共页实例和功能。它支架
- L2规则分类器
L2损失线性SVM，L1-loss线性SVM，以及逻辑回归（LR）
- L1规则分类器（1.4版之后）
L2损失线性SVM和逻辑回归（LR）
- L2-正则化支持向量回归（1.9版之后）
L2-线性SVR和L1-失去线性SVR。
- L2规范化单类支持向量机（2.40版之后）
的主要特点LIBLINEAR银行包括
- 与相同的数据格式利比亚支持向量机，我们的通用SVM解算器，以及类似的用法
- 多类分类：1）一对其余，2）Cramer&Singer公司
- 模型评估的交叉验证
- 自动参数选择
- 概率估计（仅逻辑回归）
- 不平衡数据的权重
- MATLAB/Octave、Java、Python、Ruby接口
- 通过包管理器安装（例如，pip和vcpkg）
文档
此处是常见问题解答
有一些大数据其中有/无非线性映射提供了类似的性能。不使用内核，可以快速训练通过线性分类器获得更大的集合。文件分类就是这样一个应用程序。在以下示例中（20242个实例和47236个功能；在上可用LIBSVM数据集)，交叉验证时间显著通过使用LIBLINER减少：%时间libsvm-2.85/svm-train-c 4-t 0-e 0.1-m 800-v 5 rcv1_train.binary交叉验证准确率=96.8136%345.569秒%时间liblinear-1.21/train-c4-e0.1-v5 rcv1_train.binary交叉验证准确率=97.0161%2.944秒
警告：而LIBLINEAR的默认解算器对文档分类非常快速，可能是这样缓慢的在其他情况下。参见我们的附录CSVM指南关于在LIBLINEAR中使用其他解算器。
警告：如果你是一个初学者数据集不太大，您应该首先考虑LIBSVM。
当前版本（版本2.472023年7月）LIBLINEAR银行可以通过下载获得这个
拉链文件或
焦油.gz文件。你也可以检查这个github目录。如果您在下载文件时遇到问题，请发送电子邮件给我们。该包包含C/C++中的源代码。带有详细解释的README文件是提供了。对于微软视窗用户，zip中有一个子目录包含二进制可执行文件的文件。
请阅读版权使用前注意事项LIBLINEAR银行.
我们论文中用于实验的文档和代码
R.-E.Fan、K.-W.Chang、C.-J.Xieh、X.-R.Wang和C.-J.林.LIBLINEAR：大型线性分类库
日记账机器学习研究9(2008), 1871-1874.
本文的附录给出了所有实施细节LIBLINEAR的。
在本文的结尾有一个实用指南至LIBLINEAR
另请参见附录C中的一些示例SVM指南.
用于我们的实验的代码LIBLINEAR银行文件可以在这里找到.
LIBLINEAR接口
通过包管理器安装LIBLINEAR
请将意见和建议发送至智仁林.