基于LIBLINEAR或LIBSVM的自定义支持向量机优化

Question

我有一个PU学习任务，我在本文中找到了一个解决这个问题的特殊算法：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”支持向量机的非标准公式。

用了两个 参数C+和C-加权正误差和 消极错误不同。在

我想我应该在这个问题上使用一个现有的支持向量机解算器，这样不仅可以加快腿的工作，而且还可以确保最佳的时间复杂度，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）。在

有没有办法指定一个自定义的损失函数，就像上面的那个？在

谢谢你的帮助。在

Answer 1

LIBLINEAR'train'接受了一个参数-wi-weight：“weights调整不同类的参数C”。它的实际用途（需要数组吗？）我还是不清楚，即使读了自述。但是，Sklearn的LinearSVC使用LIBLINEAR并提供了一个参数：

class_weight : {dict, ‘balanced’}, optional Set the parameter C of class i to class_weight[i]*C for SVC. If not given, all classes are supposed to have weight one. The “balanced” mode uses the values of y to automatically adjust weights inversely proportional to class frequencies in the input data as n_samples / (n_classes * np.bincount(y))

这是非常有用的。在