/
note.txt
238 lines (178 loc) · 11 KB
/
note.txt
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
Note of training with SVM.
I used KyTea (http://www.phontron.com/kytea/index.html).
Installation of KyTea:
tar -xzf kytea-X.X.X.tar.gz
cd kytea-X.X.X
./configure
make
make install
kytea --help
I assumed that you already prepared training, closed and open test data.
################
Step 1: Training
################
aihb@Hatarakis-MacBook-Pro:~/experiment/pos/my-pos/model4github/kytea$ time ./train-all.sh | tee kytea-train.log
Scanning dictionaries and corpora for vocabulary
Reading corpus from ./t1/train1.nopipe done (1000 lines)
Building dictionary index done!
Creating tagging features (tag 1) done!
Training local tag classifiers done!
Printing model to ./t1/train1.nopipe.model done!
==========
Scanning dictionaries and corpora for vocabulary
Reading corpus from ./t2/train2.nopipe done (2000 lines)
Building dictionary index done!
Creating tagging features (tag 1) done!
Training local tag classifiers done!
Printing model to ./t2/train2.nopipe.model done!
==========
Scanning dictionaries and corpora for vocabulary
Reading corpus from ./t3/train3.nopipe done (3000 lines)
Building dictionary index done!
Creating tagging features (tag 1) done!
Training local tag classifiers done!
Printing model to ./t3/train3.nopipe.model done!
==========
Scanning dictionaries and corpora for vocabulary
Reading corpus from ./t4/train4.nopipe done (4000 lines)
Building dictionary index done!
Creating tagging features (tag 1) done!
Training local tag classifiers done!
Printing model to ./t4/train4.nopipe.model done!
==========
Scanning dictionaries and corpora for vocabulary
Reading corpus from ./t5/train5.nopipe done (5000 lines)
Building dictionary index done!
Creating tagging features (tag 1) done!
Training local tag classifiers done!
Printing model to ./t5/train5.nopipe.model done!
==========
Scanning dictionaries and corpora for vocabulary
Reading corpus from ./t6/train6.nopipe done (6000 lines)
Building dictionary index done!
Creating tagging features (tag 1) done!
Training local tag classifiers done!
Printing model to ./t6/train6.nopipe.model done!
==========
Scanning dictionaries and corpora for vocabulary
Reading corpus from ./t7/train7.nopipe done (7000 lines)
Building dictionary index done!
Creating tagging features (tag 1) done!
Training local tag classifiers done!
Printing model to ./t7/train7.nopipe.model done!
==========
Scanning dictionaries and corpora for vocabulary
Reading corpus from ./t8/train8.nopipe done (8000 lines)
Building dictionary index done!
Creating tagging features (tag 1) done!
Training local tag classifiers done!
Printing model to ./t8/train8.nopipe.model done!
==========
Scanning dictionaries and corpora for vocabulary
Reading corpus from ./t9/train9.nopipe done (9000 lines)
Building dictionary index done!
Creating tagging features (tag 1) done!
Training local tag classifiers done!
Printing model to ./t9/train9.nopipe.model done!
==========
Scanning dictionaries and corpora for vocabulary
Reading corpus from ./t10/train10.nopipe done (10000 lines)
Building dictionary index done!
Creating tagging features (tag 1) done!
Training local tag classifiers done!
Printing model to ./t10/train10.nopipe.model done!
==========
real 0m35.511s
user 0m26.071s
sys 0m9.126s
##############
Step2: Testing
##############
aihb@Hatarakis-MacBook-Pro:~/experiment/pos/my-pos/model4github/kytea$ time ./test-all.sh | tee kytea-test.log
ဂျပန်/n စကား/n ပြော/v လမ်းညွှန်/v သူ/n ရှိ/v ပါ/part သလား/part ။/punc
တံခါး/n က/ppm မ/part ပိတ်/v ဘူး/part ။/punc
ထို/adj အစည်းအရုံး/n သည်/ppm အမျိုးသား/n ရေး/part စိတ်ဓာတ်/n ပြင်းပြ/v ၍/conj နုပျို/adj တက်ကြွ/v သည့်/part အခြေခံ/n လက္ခဏာ/n ရှိ/v ပြီး/conj အစည်းအရုံး/n ခေါင်းဆောင်/n များ/part သည်/ppm သက်ကြီး/adj နိုင်ငံရေးသမား/n များ/part နှင့်/ppm မ/part တူ/v တမူထူးခြား/adv ကြ/part ပါ/part သည်/ppm ။/punc
ဓာတုဗေဒ/n ပညာရပ်/n ပိုင်း/part က/ppm သုံးသပ်/v ရင်/conj လည်း/part ဓာတု/n ပညာရပ်/n ကို/ppm စ/v ခဲ့/part တဲ့/part ရှေး/adj ခေတ်/n အဂ္ဂိရတ်/n ဆရာကြီး/n တွေ/part ရဲ့/ppm ယမ်းငရဲမီး/n ၊/punc ကန့်ငရဲမီး/n ၊/punc ဆားငရဲမီး/n နဲ့/conj ရွှေစားငရဲမီး/n ထုတ်လုပ်/v ပုံ/part နည်းစနစ်/n တွေ/part နဲ့/ppm ပုံစံ/n တူ/v တာ/part တွေ့/v ရ/part သည်/ppm ။/punc
နာရီ/n ဘယ်/pron မှာ/ppm ဝယ်/v လို့/part ရ/part နိုင်/part မလဲ/part ။/punc
ဘီအိုင်အေ/abb အမှတ်/n ၅၅/num ဂျပန်/n တပ်မ/n တွင်/ppm ဗိုလ်ကြီး/n အဖြစ်/n လိုက်/v ပါ/part ခဲ့/part ၏/ppm ။/punc
ရောဂါ/n လက္ခဏာ/n တွေ/part က/ppm ဘာ/pron တွေ/part လဲ/part ။/punc
အင်္ဂလိပ်/n လူမျိုး/n တို့/part သည်/ppm သိုး/n မျိုး/n ကောင်း/adj များ/part ကို/ppm နှစ်/n ပေါင်း/n ရှည်/adj ကြာ/adj စွာ/part မွေးမြူ/v ခဲ့/part ကြ/part သည်/ppm ဖြစ်/v ရာ/conj အင်္ဂလန်/n နိုင်ငံ/n သည်/ppm ကမ္ဘာ/n ပေါ်/n တွင်/ppm သိုးမွေး/n ထည်/n အကောင်းဆုံး/adj ရက်လုပ်/v နိုင်/part သော/part တိုင်းပြည်/n ဖြစ်/v သည်/ppm ။/punc
အမေရိကန်/n နိုင်ငံ/n ရှိ/v အင်ဒီးယန်း/n ခေါ်/v တိုင်းရင်းသား/n များ/part သည်/ppm ထို/adj ဝက်ဝံ/n မျိုး/n ကို/ppm လွန်/v စွာ/part ကြောက်/v ရွံ့/v ကြ/part လေ/part သည်/ppm ။/punc
အဲဒီ/pron လို/ppm မ/part ဟုတ်/v ဘူး/part လို့/part ထင်/v ပါ/part တယ်/ppm ။/punc
=================
...
...
...
ဆယ်/tn ရာခိုင်နှုန်း/n ဈေး/n လျှော့/v ပေး/v ရင်/conj ဝယ်/v မယ်/ppm ။/punc
ယခု/n လ/n ၏/ppm အထိမ်းအမှတ်/n ပန်း/n မှာ/ppm မြတ်လေးပန်း/n Pomeacoccinea/UNK ဖြစ်/v သည်/ppm ။/punc
ကရင်/n ဗမာ/n အဓိကရုဏ်း/n သည်/ppm သူ့/pron အား/ppm များ/adj စွာ/part ဒေါမနဿ/UNK ဖြစ်/v စေ/part ပါ/part သည်/ppm ။/punc
ကျောကုန်း/UNK ၏/ppm အလယ်/n သည်/ppm ဝက်ဝံ/n ၏/ppm တစ်ကိုယ်လုံး/n တွင်/ppm အမြင့်ဆုံး/adj အစိတ်အပိုင်း/n ဖြစ်/v သည်/ppm ။/punc
သို့သော်/conj ၂၀၀၄/num ခုနှစ်/n မှ/ppm စတင်/v ၍/conj အစိုးရ/n ၏/ppm နိုင်ငံ/n ရေး/part လှုပ်ရှား/v မှု/part များ/part ကို/ppm ကန့်သတ်/v သော/part စစ်ဆင်/v ရေး/part တစ်/tn ရပ်/part အနေဖြင့်/part ၎င်း/pron ရုံးခွဲ/n များ/part ကို/ppm ပြန်လည်/adv ပိတ်/v စေ/part ခြင်း/part သို့မဟုတ်/conj ပြင်းထန်/v သော/part ပိတ်ပင်/v တားဆီး/v မှု/part များ/part ကို/ppm ပြုလုပ်/v ခဲ့/part သည်/ppm ။/punc
အပိုအလျှံ/UNK များ/part ကို/ppm နိုင်ငံတော်/n အဖွဲ့အစည်း/n များ/part သို့/ppm တိုက်ရိုက်/adv ရောင်းချ/v သည်/ppm ။/punc
ထို/adj ထက်/adj တိကျ/v စွာ/part ဖော်ပြ/v ဦး/part မည်/ppm ။/punc
ဆရာကြီး/n ၏/ppm ဇနီး/n ဖြစ်/v သူ/n ဒေါ်စိုး/n မ/part သေ/v ခင်/part ရွှေဥဒေါင်း/n စာမူ/n ကိစ္စ/n နှင့်/ppm ပတ်သက်/v ၍/conj သေတမ်းစာ/UNK ရေး/v ခဲ့/part သည်/ppm ။/punc
မြစ်ကြီးနား/n မှ/ppm ၁၁၈/num မိုင်/n အကွာ/n တွင်/ppm တည်ရှိ/v သည်/ppm ။/punc
ကုန်းလိပ်/n နှင့်/conj ပင်လယ်လိပ်/n တို့/part သည်/ppm ကိလိုနီယာ/UNK မျိုးစဉ်/n တွင်/ppm ပါဝင်/v လေ/part သည်/ppm ။/punc
=================
real 0m15.162s
user 0m14.347s
sys 0m0.656s
#################
Step3: Evaluation
#################
aihb@Hatarakis-MacBook-Pro:~/experiment/pos/my-pos/model4github/kytea$ time ./evaluate-all.sh | tee kytea-evaluate-results.log
### Evaluation for L2 regularized SVM train1 model ###
-with closed test data
Tag precision: 0.999554367201
-with open test data
Tag precision: 0.849578875484
### Evaluation for L2 regularized SVM train2 model ###
-with closed test data
Tag precision: 0.999146029035
-with open test data
Tag precision: 0.880081948555
### Evaluation for L2 regularized SVM train3 model ###
-with closed test data
Tag precision: 0.999076496845
-with open test data
Tag precision: 0.896517186433
### Evaluation for L2 regularized SVM train4 model ###
-with closed test data
Tag precision: 0.998758745204
-with open test data
Tag precision: 0.906760755748
### Evaluation for L2 regularized SVM train5 model ###
-with closed test data
Tag precision: 0.998918041655
-with open test data
Tag precision: 0.912906897337
### Evaluation for L2 regularized SVM train6 model ###
-with closed test data
Tag precision: 0.998389222434
-with open test data
Tag precision: 0.918096972456
### Evaluation for L2 regularized SVM train7 model ###
-with closed test data
Tag precision: 0.998772689103
-with open test data
Tag precision: 0.922831777828
### Evaluation for L2 regularized SVM train8 model ###
-with closed test data
Tag precision: 0.998276245552
-with open test data
Tag precision: 0.926656043706
### Evaluation for L2 regularized SVM train9 model ###
-with closed test data
Tag precision: 0.998576249736
-with open test data
Tag precision: 0.929023446392
### Evaluation for L2 regularized SVM train10 model ###
-with closed test data
Tag precision: 0.998085454121
-with open test data
Tag precision: 0.9318916458
real 0m1.668s
user 0m1.286s
sys 0m0.319s
FIN! :)
Ye@Lab