liquidSVM for Python
 
liquidSVM is a package written in C++ that
provides SVM-type solvers for various classification and regression tasks.
Because of a fully integrated hyper-parameter selection, very carefully implemented solvers,
multi-threading and GPU support,
and several built-in data decomposition strategies  it provides unprecedented speed
for small training sizes as well as for data sets of tens of millions of samples.
 
To install use
 
> pip install --user --upgrade liquidSVM
 
Then you can use it like:
 
>>> from liquidSVM import *
>>> model = mcSVM(iris, iris_labs, display=1,threads=2)
>>> result, err = model.test(iris, iris_labs)
>>> result = model.predict(iris)
 
For more information see the README and the demo notebook.
 
@author: Ingo Steinwart and Philipp Thomann

Modules
		ctypes glob numpy numpy.ctypeslib os pkg_resources sysconfig

Classes
		builtins.object LiquidData SVM exSVM lsSVM mcSVM nplSVM qtSVM rocSVM   class LiquidData(builtins.object)     This class helps to organize train/test splits and targets. It has a train and a test attribute, of which each has a data, target, and DESCR attribte as known from sklearn. This looks at several locations to find a name.train.csv and name.test.csv. If it does then it loads or downloads it, parses it, and returns an liquidData-object. The files also can be gzipped having names name.train.csv.gz and name.test.csv.gz.   Included in the package are 'banana-bc', 'banana-mc', 'covtype.1000', and 'reg-1d'.   Parameters ---------- name : str     The base name of a train/test splitted data set to load.   Attributes ---------- name : str     The name of the data sets train : Bunch     The training data set. test : Bunch     The test set including labels loc : str     The location where the data was found     Methods defined here: __init__(self, name) Initialize self.  See help(type(self)) for accurate signature. fromData(self, train_x, train_y, test_x, test_y) Creates a LiquidData from given `np.array`s   Parameters ---------- train_x : np.array     Train features. train_y : np.array     Train labels test_x : np.array     Test features. test_y : np.array     Test labels.   Returns ------- LiquidData Data descriptors defined here: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined)   class SVM(builtins.object)     The base class for all SVM learning scenarios. This should usually not be used directly.   If no scenario is specified, it will be set to LS.   Parameters ---------- data : np.array or LiquidData or Bunch or str     the data to train on. If it is an `np.array` then     `labs` have to be provided as well.     If it is an instance of `LiquidData` then data.train.data     and data.train.target will be used and data.test will be     automagically be tested after training and selection.     If it is a `str` then `LiquidData(data)` will be used.     If it is a Bunch, then `data.data` and `data.target` will be used. labs : np.array (1-dim)     the labels. If this is `None` then the labels     have to be provided in the `data` argument. **kwargs : dict     Configuration arguments, can be `threads=1`, `display=1`, `grid_choice=1`, etc.     For more information see: `?doc.configuration`     Attributes ---------- cookie : int     the internal cookie of the C++ SVM lastResult : (np.array , np.array)     after each `test` the result and errors will be kept here.     Methods defined here: __del__(self) __init__(self, data, labs=None, **kwargs) Initialize self.  See help(type(self)) for accurate signature. clean(self) Force to release internal C++ memory. After that, this SVM cannot be used any more. configLine(self, stage) Internal function to get the command-line like parameters for the different stages.   Parameters ---------- stage : int        Returns ------- str get(self, name) Gets the value of a liquidSVM-configuration parameter For more information see: `?doc.configuration`   Parameters ---------- name : str        Returns ------- predict(self, test_data, **kwargs) Predicts labels for `test_data`.   Parameters ---------- test_data : np.array     The features for which prediction should be estimated.      **kwargs : dict     Passed to `liquidSVM.test`   Returns ------- np.array     the predictions for every test sample.     It has the same number of rows as `test_data`.     The number of columns depends on the learning scenario. select(self, **kwargs) Selects the best of all SVMs for all tasks/cells.. This should only be used by experts.   Parameters ---------- **kwargs : dict     The command-line parameters of svm-select can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`     For detailed information see: `?doc.selectArgs`   Returns ------- np.array     all selected validation errors and technical details of the training phase set(self, name, value) Sets the value of a liquidSVM-configuration parameter For more information see: `?doc.configuration`   Parameters ---------- name : str      value : any     This will be converted into a str, joining by spaces if needed.   Returns ------- self test(self, test_data, test_labs=None, **kwargs) Predicts labels for `test_data` and if applicable compares to test_labs.   Parameters ---------- test_data : np.array or LiquidData or Bunch     the data to predict for. If it is an `np.array` then     `labs` have to be provided as well.     If it is an instance of `LiquidData` then data.test.data     and data.test.target will be used.     If it is a Bunch, then `data.data` and `data.target` will be used. test_labs : np.array (1-dim)     the ground truth labels. If this is `None` and the labels     are not provided in the `data` argument then only prediction will     be performed.     (Default value = None) **kwargs : dict     These only should be used by experts.     The command-line parameters of svm-test can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`.     For detailed information see: `?doc.testArgs`     Returns ------- ( np.array , np.array)     The first return argument is an array of the results.     The number of columns depends on the learning scenario.     The second return argument gives the errors if labels were provided,     or is empty else. The number of rows depends on the learning scenario. train(self, **kwargs) Trains all SVMs for all tasks/cells/hyper-parameters. This should only be used by experts.   Parameters ---------- **kwargs :dict     The command-line parameters of svm-train can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`     For detailed information see: `?doc.trainArgs`   Returns ------- np.array     all validation errors and technical details of the training phase Data descriptors defined here: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined)   class exSVM(SVM)     This class performs non-parametric, asymmetric least squares regression using SVMs. The tested estimators are therefore estimating the conditional tau-e;xpectiles of Y given X. By default, estimators for five different tau values are computed.   Parameters ---------- weights : arr of doubles     The list of expectiles that should be estimated.     (Default value = [0.05,0.1,0.5,0.9,0.95])   others: see `?SVM` and `?doc.configuration`     Method resolution order: exSVM SVM builtins.object Methods defined here: __init__(self, data, labs=None, weights=[0.05, 0.1, 0.5, 0.9, 0.95], **kwargs) Initialize self.  See help(type(self)) for accurate signature. select(self, **kwargs) Selects the best of all SVMs for all tasks/cells.. This should only be used by experts.   Parameters ---------- **kwargs : dict     The command-line parameters of svm-select can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`     For detailed information see: `?doc.selectArgs`   Returns ------- np.array     all selected validation errors and technical details of the training phase Methods inherited from SVM: __del__(self) clean(self) Force to release internal C++ memory. After that, this SVM cannot be used any more. configLine(self, stage) Internal function to get the command-line like parameters for the different stages.   Parameters ---------- stage : int        Returns ------- str get(self, name) Gets the value of a liquidSVM-configuration parameter For more information see: `?doc.configuration`   Parameters ---------- name : str        Returns ------- predict(self, test_data, **kwargs) Predicts labels for `test_data`.   Parameters ---------- test_data : np.array     The features for which prediction should be estimated.      **kwargs : dict     Passed to `liquidSVM.test`   Returns ------- np.array     the predictions for every test sample.     It has the same number of rows as `test_data`.     The number of columns depends on the learning scenario. set(self, name, value) Sets the value of a liquidSVM-configuration parameter For more information see: `?doc.configuration`   Parameters ---------- name : str      value : any     This will be converted into a str, joining by spaces if needed.   Returns ------- self test(self, test_data, test_labs=None, **kwargs) Predicts labels for `test_data` and if applicable compares to test_labs.   Parameters ---------- test_data : np.array or LiquidData or Bunch     the data to predict for. If it is an `np.array` then     `labs` have to be provided as well.     If it is an instance of `LiquidData` then data.test.data     and data.test.target will be used.     If it is a Bunch, then `data.data` and `data.target` will be used. test_labs : np.array (1-dim)     the ground truth labels. If this is `None` and the labels     are not provided in the `data` argument then only prediction will     be performed.     (Default value = None) **kwargs : dict     These only should be used by experts.     The command-line parameters of svm-test can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`.     For detailed information see: `?doc.testArgs`     Returns ------- ( np.array , np.array)     The first return argument is an array of the results.     The number of columns depends on the learning scenario.     The second return argument gives the errors if labels were provided,     or is empty else. The number of rows depends on the learning scenario. train(self, **kwargs) Trains all SVMs for all tasks/cells/hyper-parameters. This should only be used by experts.   Parameters ---------- **kwargs :dict     The command-line parameters of svm-train can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`     For detailed information see: `?doc.trainArgs`   Returns ------- np.array     all validation errors and technical details of the training phase Data descriptors inherited from SVM: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined)   class lsSVM(SVM)     This class performs non-parametric least squares regression using SVMs. The tested estimators are therefore estimating the conditional means of Y given X.   Parameters ---------- see `?SVM` and `?doc.configuration`     Method resolution order: lsSVM SVM builtins.object Methods defined here: __init__(self, data, labs=None, **kwargs) Initialize self.  See help(type(self)) for accurate signature. Methods inherited from SVM: __del__(self) clean(self) Force to release internal C++ memory. After that, this SVM cannot be used any more. configLine(self, stage) Internal function to get the command-line like parameters for the different stages.   Parameters ---------- stage : int        Returns ------- str get(self, name) Gets the value of a liquidSVM-configuration parameter For more information see: `?doc.configuration`   Parameters ---------- name : str        Returns ------- predict(self, test_data, **kwargs) Predicts labels for `test_data`.   Parameters ---------- test_data : np.array     The features for which prediction should be estimated.      **kwargs : dict     Passed to `liquidSVM.test`   Returns ------- np.array     the predictions for every test sample.     It has the same number of rows as `test_data`.     The number of columns depends on the learning scenario. select(self, **kwargs) Selects the best of all SVMs for all tasks/cells.. This should only be used by experts.   Parameters ---------- **kwargs : dict     The command-line parameters of svm-select can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`     For detailed information see: `?doc.selectArgs`   Returns ------- np.array     all selected validation errors and technical details of the training phase set(self, name, value) Sets the value of a liquidSVM-configuration parameter For more information see: `?doc.configuration`   Parameters ---------- name : str      value : any     This will be converted into a str, joining by spaces if needed.   Returns ------- self test(self, test_data, test_labs=None, **kwargs) Predicts labels for `test_data` and if applicable compares to test_labs.   Parameters ---------- test_data : np.array or LiquidData or Bunch     the data to predict for. If it is an `np.array` then     `labs` have to be provided as well.     If it is an instance of `LiquidData` then data.test.data     and data.test.target will be used.     If it is a Bunch, then `data.data` and `data.target` will be used. test_labs : np.array (1-dim)     the ground truth labels. If this is `None` and the labels     are not provided in the `data` argument then only prediction will     be performed.     (Default value = None) **kwargs : dict     These only should be used by experts.     The command-line parameters of svm-test can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`.     For detailed information see: `?doc.testArgs`     Returns ------- ( np.array , np.array)     The first return argument is an array of the results.     The number of columns depends on the learning scenario.     The second return argument gives the errors if labels were provided,     or is empty else. The number of rows depends on the learning scenario. train(self, **kwargs) Trains all SVMs for all tasks/cells/hyper-parameters. This should only be used by experts.   Parameters ---------- **kwargs :dict     The command-line parameters of svm-train can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`     For detailed information see: `?doc.trainArgs`   Returns ------- np.array     all validation errors and technical details of the training phase Data descriptors inherited from SVM: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined)   class mcSVM(SVM)     This class is intended for both binary and multiclass classification. The binary classification is treated by an SVM solver for the classical hinge loss, and for the multiclass case, one-verus-all and all-versus-all reductions to binary classification for the hinge and the least squares loss are provided. The error of the very first task is the overall classification error.   Parameters ---------- mcType : str or int     The multi-class classification scheme: "AvA_hinge","OvA_ls","OvA_hinge", or "AvA_ls".   others: see `?SVM` and `?doc.configuration`     Method resolution order: mcSVM SVM builtins.object Methods defined here: __init__(self, data, labs=None, mcType='AvA_hinge', **kwargs) Initialize self.  See help(type(self)) for accurate signature. Methods inherited from SVM: __del__(self) clean(self) Force to release internal C++ memory. After that, this SVM cannot be used any more. configLine(self, stage) Internal function to get the command-line like parameters for the different stages.   Parameters ---------- stage : int        Returns ------- str get(self, name) Gets the value of a liquidSVM-configuration parameter For more information see: `?doc.configuration`   Parameters ---------- name : str        Returns ------- predict(self, test_data, **kwargs) Predicts labels for `test_data`.   Parameters ---------- test_data : np.array     The features for which prediction should be estimated.      **kwargs : dict     Passed to `liquidSVM.test`   Returns ------- np.array     the predictions for every test sample.     It has the same number of rows as `test_data`.     The number of columns depends on the learning scenario. select(self, **kwargs) Selects the best of all SVMs for all tasks/cells.. This should only be used by experts.   Parameters ---------- **kwargs : dict     The command-line parameters of svm-select can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`     For detailed information see: `?doc.selectArgs`   Returns ------- np.array     all selected validation errors and technical details of the training phase set(self, name, value) Sets the value of a liquidSVM-configuration parameter For more information see: `?doc.configuration`   Parameters ---------- name : str      value : any     This will be converted into a str, joining by spaces if needed.   Returns ------- self test(self, test_data, test_labs=None, **kwargs) Predicts labels for `test_data` and if applicable compares to test_labs.   Parameters ---------- test_data : np.array or LiquidData or Bunch     the data to predict for. If it is an `np.array` then     `labs` have to be provided as well.     If it is an instance of `LiquidData` then data.test.data     and data.test.target will be used.     If it is a Bunch, then `data.data` and `data.target` will be used. test_labs : np.array (1-dim)     the ground truth labels. If this is `None` and the labels     are not provided in the `data` argument then only prediction will     be performed.     (Default value = None) **kwargs : dict     These only should be used by experts.     The command-line parameters of svm-test can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`.     For detailed information see: `?doc.testArgs`     Returns ------- ( np.array , np.array)     The first return argument is an array of the results.     The number of columns depends on the learning scenario.     The second return argument gives the errors if labels were provided,     or is empty else. The number of rows depends on the learning scenario. train(self, **kwargs) Trains all SVMs for all tasks/cells/hyper-parameters. This should only be used by experts.   Parameters ---------- **kwargs :dict     The command-line parameters of svm-train can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`     For detailed information see: `?doc.trainArgs`   Returns ------- np.array     all validation errors and technical details of the training phase Data descriptors inherited from SVM: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined)   class nplSVM(SVM)     This class provides binary classifiers that satisfy a predefined error rate on one type of error and that simlutaneously minimize the other type of error. For convenience some points on the ROC curve around the predefined error rate are returned. nplNPL performs Neyman-Pearson-Learning for classification.   Parameters ---------- constraint : double     The constraint around which different values should be found.     (Default value = 0.05) constraintFactors : arr of doubles     The factors to multiply `constraint` with.     (Default value = [1/2,2/3,1,3/2,2])   others: see `?SVM` and `?doc.configuration`     Method resolution order: nplSVM SVM builtins.object Methods defined here: __init__(self, data, labs=None, nplClass=1, constraint=0.05, constraintFactors=[0.5, 0.6666666666666666, 1, 1.5, 2], **kwargs) Initialize self.  See help(type(self)) for accurate signature. select(self, **kwargs) Selects the best of all SVMs for all tasks/cells.. This should only be used by experts.   Parameters ---------- **kwargs : dict     The command-line parameters of svm-select can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`     For detailed information see: `?doc.selectArgs`   Returns ------- np.array     all selected validation errors and technical details of the training phase Methods inherited from SVM: __del__(self) clean(self) Force to release internal C++ memory. After that, this SVM cannot be used any more. configLine(self, stage) Internal function to get the command-line like parameters for the different stages.   Parameters ---------- stage : int        Returns ------- str get(self, name) Gets the value of a liquidSVM-configuration parameter For more information see: `?doc.configuration`   Parameters ---------- name : str        Returns ------- predict(self, test_data, **kwargs) Predicts labels for `test_data`.   Parameters ---------- test_data : np.array     The features for which prediction should be estimated.      **kwargs : dict     Passed to `liquidSVM.test`   Returns ------- np.array     the predictions for every test sample.     It has the same number of rows as `test_data`.     The number of columns depends on the learning scenario. set(self, name, value) Sets the value of a liquidSVM-configuration parameter For more information see: `?doc.configuration`   Parameters ---------- name : str      value : any     This will be converted into a str, joining by spaces if needed.   Returns ------- self test(self, test_data, test_labs=None, **kwargs) Predicts labels for `test_data` and if applicable compares to test_labs.   Parameters ---------- test_data : np.array or LiquidData or Bunch     the data to predict for. If it is an `np.array` then     `labs` have to be provided as well.     If it is an instance of `LiquidData` then data.test.data     and data.test.target will be used.     If it is a Bunch, then `data.data` and `data.target` will be used. test_labs : np.array (1-dim)     the ground truth labels. If this is `None` and the labels     are not provided in the `data` argument then only prediction will     be performed.     (Default value = None) **kwargs : dict     These only should be used by experts.     The command-line parameters of svm-test can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`.     For detailed information see: `?doc.testArgs`     Returns ------- ( np.array , np.array)     The first return argument is an array of the results.     The number of columns depends on the learning scenario.     The second return argument gives the errors if labels were provided,     or is empty else. The number of rows depends on the learning scenario. train(self, **kwargs) Trains all SVMs for all tasks/cells/hyper-parameters. This should only be used by experts.   Parameters ---------- **kwargs :dict     The command-line parameters of svm-train can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`     For detailed information see: `?doc.trainArgs`   Returns ------- np.array     all validation errors and technical details of the training phase Data descriptors inherited from SVM: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined)   class qtSVM(SVM)     This class performs non-parametric and quantile regression using SVMs. The tested estimators are therefore estimating the conditional tau-quantiles of Y given X. By default, estimators for five different tau values are computed.   Parameters ---------- weights : arr of doubles     The list of quantiles that should be estimated.     (Default value = [0.05,0.1,0.5,0.9,0.95])   others: see `?SVM` and `?doc.configuration`     Method resolution order: qtSVM SVM builtins.object Methods defined here: __init__(self, data, labs=None, weights=[0.05, 0.1, 0.5, 0.9, 0.95], **kwargs) Initialize self.  See help(type(self)) for accurate signature. select(self, **kwargs) Selects the best of all SVMs for all tasks/cells.. This should only be used by experts.   Parameters ---------- **kwargs : dict     The command-line parameters of svm-select can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`     For detailed information see: `?doc.selectArgs`   Returns ------- np.array     all selected validation errors and technical details of the training phase Methods inherited from SVM: __del__(self) clean(self) Force to release internal C++ memory. After that, this SVM cannot be used any more. configLine(self, stage) Internal function to get the command-line like parameters for the different stages.   Parameters ---------- stage : int        Returns ------- str get(self, name) Gets the value of a liquidSVM-configuration parameter For more information see: `?doc.configuration`   Parameters ---------- name : str        Returns ------- predict(self, test_data, **kwargs) Predicts labels for `test_data`.   Parameters ---------- test_data : np.array     The features for which prediction should be estimated.      **kwargs : dict     Passed to `liquidSVM.test`   Returns ------- np.array     the predictions for every test sample.     It has the same number of rows as `test_data`.     The number of columns depends on the learning scenario. set(self, name, value) Sets the value of a liquidSVM-configuration parameter For more information see: `?doc.configuration`   Parameters ---------- name : str      value : any     This will be converted into a str, joining by spaces if needed.   Returns ------- self test(self, test_data, test_labs=None, **kwargs) Predicts labels for `test_data` and if applicable compares to test_labs.   Parameters ---------- test_data : np.array or LiquidData or Bunch     the data to predict for. If it is an `np.array` then     `labs` have to be provided as well.     If it is an instance of `LiquidData` then data.test.data     and data.test.target will be used.     If it is a Bunch, then `data.data` and `data.target` will be used. test_labs : np.array (1-dim)     the ground truth labels. If this is `None` and the labels     are not provided in the `data` argument then only prediction will     be performed.     (Default value = None) **kwargs : dict     These only should be used by experts.     The command-line parameters of svm-test can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`.     For detailed information see: `?doc.testArgs`     Returns ------- ( np.array , np.array)     The first return argument is an array of the results.     The number of columns depends on the learning scenario.     The second return argument gives the errors if labels were provided,     or is empty else. The number of rows depends on the learning scenario. train(self, **kwargs) Trains all SVMs for all tasks/cells/hyper-parameters. This should only be used by experts.   Parameters ---------- **kwargs :dict     The command-line parameters of svm-train can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`     For detailed information see: `?doc.trainArgs`   Returns ------- np.array     all validation errors and technical details of the training phase Data descriptors inherited from SVM: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined)   class rocSVM(SVM)     This class provides several points on the ROC curve by solving multiple weighted binary classification problems. It is only suitable to binary classification data.   Parameters ---------- weightsteps : int     The number of weights that should be used.     (Default value = 9)   others: see `?SVM` and `?doc.configuration`     Method resolution order: rocSVM SVM builtins.object Methods defined here: __init__(self, data, labs=None, weightsteps=9, **kwargs) Initialize self.  See help(type(self)) for accurate signature. select(self, **kwargs) Selects the best of all SVMs for all tasks/cells.. This should only be used by experts.   Parameters ---------- **kwargs : dict     The command-line parameters of svm-select can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`     For detailed information see: `?doc.selectArgs`   Returns ------- np.array     all selected validation errors and technical details of the training phase Methods inherited from SVM: __del__(self) clean(self) Force to release internal C++ memory. After that, this SVM cannot be used any more. configLine(self, stage) Internal function to get the command-line like parameters for the different stages.   Parameters ---------- stage : int        Returns ------- str get(self, name) Gets the value of a liquidSVM-configuration parameter For more information see: `?doc.configuration`   Parameters ---------- name : str        Returns ------- predict(self, test_data, **kwargs) Predicts labels for `test_data`.   Parameters ---------- test_data : np.array     The features for which prediction should be estimated.      **kwargs : dict     Passed to `liquidSVM.test`   Returns ------- np.array     the predictions for every test sample.     It has the same number of rows as `test_data`.     The number of columns depends on the learning scenario. set(self, name, value) Sets the value of a liquidSVM-configuration parameter For more information see: `?doc.configuration`   Parameters ---------- name : str      value : any     This will be converted into a str, joining by spaces if needed.   Returns ------- self test(self, test_data, test_labs=None, **kwargs) Predicts labels for `test_data` and if applicable compares to test_labs.   Parameters ---------- test_data : np.array or LiquidData or Bunch     the data to predict for. If it is an `np.array` then     `labs` have to be provided as well.     If it is an instance of `LiquidData` then data.test.data     and data.test.target will be used.     If it is a Bunch, then `data.data` and `data.target` will be used. test_labs : np.array (1-dim)     the ground truth labels. If this is `None` and the labels     are not provided in the `data` argument then only prediction will     be performed.     (Default value = None) **kwargs : dict     These only should be used by experts.     The command-line parameters of svm-test can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`.     For detailed information see: `?doc.testArgs`     Returns ------- ( np.array , np.array)     The first return argument is an array of the results.     The number of columns depends on the learning scenario.     The second return argument gives the errors if labels were provided,     or is empty else. The number of rows depends on the learning scenario. train(self, **kwargs) Trains all SVMs for all tasks/cells/hyper-parameters. This should only be used by experts.   Parameters ---------- **kwargs :dict     The command-line parameters of svm-train can be given here     in dictionary form, e.g. `d=1` instead of `-d 1`     For detailed information see: `?doc.trainArgs`   Returns ------- np.array     all validation errors and technical details of the training phase Data descriptors inherited from SVM: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined)

Data
		__all__ = ['SVM', 'lsSVM', 'mcSVM', 'qtSVM', 'exSVM', 'nplSVM', 'rocSVM', 'iris', 'iris_labs', 'LiquidData', 'doc'] __warningregistry__ = {'version': 8, ('SO is deprecated, use EXT_SUFFIX', <class 'DeprecationWarning'>, 69): True} iris = array([[ 5.1, 4.9, 4.7, 4.6], [ 5. , ...3, 2.5, 2.3], [ 1.9, 2. , 2.3, 1.8]]) iris_labs = array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,...3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3])