def predict_rsl(config_file, data_file_name, result_save_path, param):
'''输入标签，模型，待预测的文本，词典，以及词分词用的符号
返回的是一个预测标签与得分，如果是二分类，返回的是直接得分，如果为多分类，返回的是经过计算的综合分数。
'''
print "-----------------正在加载训练模型-------------------\n"
"""
model = libsvm.svm_load_model(model_file_name)
if not model:
print("can't open model file %s" % model_file_name)
model=None
else:
model = toPyModel(model)
print "Find model"
"""
option = '-b ' + str(param)
print config_file
model = load_tms_model(config_file)[3]
print model
print "-----------------正在对样本进行预测-------------------\n"
i = 1
f_data = open(data_file_name, 'r')
lines = f_data.readlines()
f_data.close()
fs = open(result_save_path, 'w')
for line in lines:
line = line.split(None, 1)
#print line
# In case an instance with all zero features
if len(line) == 1: line += ['']
label, features = line
xi = {}
y = [float(label)]
#print "--------------y--------------:\n",y
for e in features.split():
ind, val = e.split(":")
xi[int(ind)] = float(val)
#print "----------------x----------------:\n",pprint(xi)
#在这里要判定是二分类还是多分类，如果为二分类，返回相应的分数，如果为多分类，则返回预测的标签。
p_lab, p_acc, p_sc = tms_svm.predict(y, [xi], model, option)
label = p_lab[0]
if param:
#sc=tms_svm.classer_value(p_sc[0])
if str(label) == str(1):
sc = p_sc[0][1]
else:
sc = p_sc[0][0]
#sc=p_sc[0]
else:
sc = tms_svm.classer_value(p_sc[0])
print sc
fs.write(str(label) + "\t" + str(sc) + "\t")
#print '-------------%d---------------'%i
i += 1
fs.write(str(y[0]) + "\t")
fs.write("\n")
fs.close()
print "-----------------预测完毕-------------------"
def cal_sc_optim(lab,m,text,dic_list,local_fun,global_weight,str_splitTag):
'''输入标签，模型，待预测的文本，词典，以及词分词用的符号
返回的是一个预测标签与得分
'''
local_fun = measure.local_f(local_fun)
y,x = cons_pro_for_svm(lab,text.strip().split(str_splitTag),dic_list,local_fun,global_weight)
p_lab,p_acc,p_sc=tms_svm.predict(y,x,m)
return p_lab[0],tms_svm.classer_value(p_sc[0])
def predict_rsl(config_file,data_file_name,result_save_path,param):
'''输入标签，模型，待预测的文本，词典，以及词分词用的符号
返回的是一个预测标签与得分，如果是二分类，返回的是直接得分，如果为多分类，返回的是经过计算的综合分数。
'''
print "-----------------正在加载训练模型-------------------\n"
"""
model = libsvm.svm_load_model(model_file_name)
if not model:
print("can't open model file %s" % model_file_name)
model=None
else:
model = toPyModel(model)
print "Find model"
"""
option = '-b '+str(param)
print config_file
model=load_tms_model(config_file)[3]
print model
print "-----------------正在对样本进行预测-------------------\n"
i=1
f_data=open(data_file_name,'r')
lines=f_data.readlines()
f_data.close()
fs = open(result_save_path,'w')
for line in lines:
line = line.split(None, 1)
#print line
# In case an instance with all zero features
if len(line) == 1: line += ['']
label, features = line
xi = {}
y= [float(label)]
#print "--------------y--------------:\n",y
for e in features.split():
ind, val = e.split(":")
xi[int(ind)] = float(val)
#print "----------------x----------------:\n",pprint(xi)
#在这里要判定是二分类还是多分类，如果为二分类，返回相应的分数，如果为多分类，则返回预测的标签。
p_lab,p_acc,p_sc=tms_svm.predict(y,[xi],model,option)
label=p_lab[0]
if param:
#sc=tms_svm.classer_value(p_sc[0])
if str(label) == str(1):
sc=p_sc[0][1]
else:
sc=p_sc[0][0]
#sc=p_sc[0]
else:
sc=tms_svm.classer_value(p_sc[0])
print sc
fs.write(str(label)+"\t"+str(sc)+"\t")
#print '-------------%d---------------'%i
i+=1
fs.write(str(y[0])+"\t")
fs.write("\n")
fs.close()
print "-----------------预测完毕-------------------"
def cal_sc_optim(lab,m,text,dic_list,local_fun,global_weight,str_splitTag):
'''输入标签，模型，待预测的文本，词典，以及词分词用的符号
返回的是一个预测标签与得分，如果是二分类，返回的是直接得分，如果为多分类，返回的是经过计算的综合分数。
'''
local_fun = measure.local_f(local_fun)
y,x = ctmutil.cons_pro_for_svm(lab,text.strip().split(str_splitTag),dic_list,local_fun,global_weight)
p_lab,p_acc,p_sc=tms_svm.predict(y,x,m)
#在这里要判定是二分类还是多分类，如果为二分类，返回相应的分数，如果为多分类，则返回预测的标签。
return p_lab[0],tms_svm.classer_value(p_sc[0])
def cal_sc_optim(lab, m, text, dic_list, local_fun, global_weight,
str_splitTag):
'''输入标签，模型，待预测的文本，词典，以及词分词用的符号
返回的是一个预测标签与得分
'''
local_fun = measure.local_f(local_fun)
y, x = cons_pro_for_svm(lab,
text.strip().split(str_splitTag), dic_list,
local_fun, global_weight)
p_lab, p_acc, p_sc = tms_svm.predict(y, x, m)
return p_lab[0], tms_svm.classer_value(p_sc[0])
def cal_sc_optim(model_file_name, data_file_name, result_save_path):
'''输入标签，模型，待预测的文本，词典，以及词分词用的符号
返回的是一个预测标签与得分，如果是二分类，返回的是直接得分，如果为多分类，返回的是经过计算的综合分数。
'''
#local_fun = measure.local_f(local_fun)
#y,x = ctmutil.cons_pro_for_svm(lab,text.strip().split(str_splitTag),dic_list,local_fun,global_weight)
"""
svm_load_model(model_file_name) -> model
Load a LIBSVM model from model_file_name and return.
"""
print "-----------------正在加载训练模型-------------------\n"
model = libsvm.svm_load_model(model_file_name)
if not model:
print("can't open model file %s" % model_file_name)
model = None
else:
model = toPyModel(model)
print "-----------------正在对样本进行预测-------------------\n"
for line in open(data_file_name):
line = line.split(None, 1)
# In case an instance with all zero features
if len(line) == 1: line += ['']
label, features = line
xi = {}
for e in features.split():
ind, val = e.split(":")
xi[int(ind)] = float(val)
y = [float(label)]
x = xi
p_lab, p_acc, p_sc = tms_svm.predict(y, x, m)
#在这里要判定是二分类还是多分类，如果为二分类，返回相应的分数，如果为多分类，则返回预测的标签。
label = p_lab[0]
sc = tms_svm.classer_value(p_sc[0])
fs = file(result_save_path, 'w')
fs.write(str(label) + "\t" + str(sc) + "\t")
#for index in result_indexes:
#fs.write(text[index]+"\t")
fs.write("\n")
fs.close()
print "-----------------预测完毕-------------------"
def cal_sc_optim(model_file_name,data_file_name,result_save_path):
'''输入标签，模型，待预测的文本，词典，以及词分词用的符号
返回的是一个预测标签与得分，如果是二分类，返回的是直接得分，如果为多分类，返回的是经过计算的综合分数。
'''
#local_fun = measure.local_f(local_fun)
#y,x = ctmutil.cons_pro_for_svm(lab,text.strip().split(str_splitTag),dic_list,local_fun,global_weight)
"""
svm_load_model(model_file_name) -> model
Load a LIBSVM model from model_file_name and return.
"""
print "-----------------正在加载训练模型-------------------\n"
model = libsvm.svm_load_model(model_file_name)
if not model:
print("can't open model file %s" % model_file_name)
model=None
else:
model = toPyModel(model)
print "-----------------正在对样本进行预测-------------------\n"
for line in open(data_file_name):
line = line.split(None, 1)
# In case an instance with all zero features
if len(line) == 1: line += ['']
label, features = line
xi = {}
for e in features.split():
ind, val = e.split(":")
xi[int(ind)] = float(val)
y= [float(label)]
x = xi
p_lab,p_acc,p_sc=tms_svm.predict(y,x,m)
#在这里要判定是二分类还是多分类，如果为二分类，返回相应的分数，如果为多分类，则返回预测的标签。
label=p_lab[0]
sc=tms_svm.classer_value(p_sc[0])
fs = file(result_save_path,'w')
fs.write(str(label)+"\t"+str(sc)+"\t")
#for index in result_indexes:
#fs.write(text[index]+"\t")
fs.write("\n")
fs.close()
print "-----------------预测完毕-------------------"
