基于云计算的电子政务服务质量评估方法示例

2.6 系统使用示例具体的示例代码见 src/example.py

2.6.1 完整示例

假设 data 文件夹下有一个 post.train 和 post.test 的训练样本和测试样本，每行有 3 个字段：label、title、content。样本未分词，示例需完成以下任务：

1. 对 title 分词并训练，模型保存在 ../data/post/ 目录下，文件命名为 title，使用 libsvm 的 rbf 核函数，保留 top 40% 的词，特征权重采用 tf*idf。

2. 对 title 和 content 一起分词并训练，模型保存在 ../data/post/ 目录下，文件命名为 title_content，使用 liblinear，保留 top 20% 的词，特征权重采用 tf。

3. 对 post.test 进行分词，用已训练模型预测，结果命名为 post.result，输出原 label 与预测结果。

4. 计算预测模型的 F 值、Recall、Precision，输出到屏幕。

5. 计算 [0,1] 区间内各阈值下的 F 值、Recall、Precision，将结果保存在 post.analysis 文件中。

tms.tms_train("../data/post.train", indexes=[1], main_save_path="../data/", stopword_filename="../data/stopwords.txt", svm_type="libsvm", svm_param="-t 2", config_name="title.config", dic_name="title.key", model_name="title.model", train_name="title.train", param_name="title.param", ratio=0.4, seg=1, local_fun="tf", global_fun="idf")

tms.tms_train("../data/post.train", indexes=[1,2], main_save_path="../data/", stopword_filename="../data/stopwords.txt", svm_type="liblinear", config_name="title_content.config", dic_name="title_content.key", model_name="title_content.model", train_name="title_content.train", param_name="title_content.param", ratio=0.2, seg=1, local_fun="tf", global_fun="one")

tms.tms_predict_multi("../data/post.test", config_files=["../data/model/title.config", "../data/model/title_content.config"], indexes_lists=[[1],[1,2]], result_save_path="../data/post.result", result_indexes=[0], seg=1)

tms.tms_analysis("../data/post.result", step=2, output_file="", indexes=[0,1,2], predicted_label_index=0, predicted_value_index=1, true_label_index=2)