<html>
<body>
<font color="#800000">OK, doing better now:<br><br>
</font><font size=1>'gcc' is not recognized as an internal or external
command,<br>
operable program or batch file.<br>
Warning: Extremely bad integrand behavior occurs at some points of
the<br>
  integration interval.<br>
Warning: Extremely bad integrand behavior occurs at some points of
the<br>
  integration interval.<br>
C:\Python27\lib\site-packages\numpy\lib\function_base.py:1881:
RuntimeWarning: i<br>
nvalid value encountered in _cdf_single_call (vectorized)<br>
  _res = array(self.ufunc(*newargs),copy=False,<br>
data shape (29, 48)<br>
[[  0.00000000e+00   0.00000000e+00  
0.00000000e+00 ...,   0.00000000e+00<br>
    0.00000000e+00   0.00000000e+00]<br>
 [  4.25000000e+00   2.00000000e+00  
3.28095198e+00 ...,   3.36161407e+02<br>
    4.00000000e+00   1.88758421e+00]<br>
 [  2.25000000e+00   1.25000000e+00  
1.29995737e+01 ...,  -1.12926743e+02<br>
    4.00000000e+00   1.54000878e+00]<br>
 ...,<br>
 [  2.75000000e+00   1.75000000e+00  
1.64393539e+01 ...,  -2.03354130e+01<br>
    4.00000000e+00   1.86474490e+00]<br>
 [  2.50000000e+00   1.25000000e+00  
1.31833363e+01 ...,   3.83047516e+02<br>
    3.00000000e+00   1.81208789e+00]<br>
 [  7.50000000e-01   5.00000000e-01  
9.99900000e+03 ...,  -2.68942773e+03<br>
    4.00000000e+00   1.32900274e+00]] 48<br>
0.275862068966<br><br>
</font><font color="#800000">Code:<br>
</font><font size=1>import numpy<br>
import mvpa<br>
from mvpa.datasets.masked import MaskedDataset<br>
from mvpa.clfs.svm import RbfCSVMC<br><br>
fh = open('con4.csv', 'r')<br>
lines = fh.readlines()<br>
fh.close()<br>
features = lines[0].split(',')[1:]<br><br>
labels = numpy.zeros((len(lines)-1), dtype=numpy.float32)<br><br>
data = numpy.zeros((len(lines)-1, len(features)-1),
dtype=numpy.float32)<br>
print 'data shape', data.shape<br>
for smp in range(1,len(lines)-1):<br>
    d = lines[smp].split(',')[1:]<br>
    labels[smp] = d[1]<br>
    data[smp, :] = lines[smp].split(',')[2:]<br><br>
ds = mvpa.datasets.Dataset(samples=data, labels=labels, chunks=1,
labels_map=True)<br>
print data, ds.nfeatures<br><br>
clf = RbfCSVMC(probability=1,  enable_states=['probabilities'])<br>
clf.train(ds)<br>
print numpy.mean(clf.predict(ds.samples) == ds.labels)<br><br>
</font><font color="#800000">I see in<br>
<a href="http://lists.alioth.debian.org/pipermail/pkg-exppsy-pymvpa/2009q2/000495.html" eudora="autourl">
http://lists.alioth.debian.org/pipermail/pkg-exppsy-pymvpa/2009q2/000495.html<br>
</a>that parameter selection is not generated/optimized; so what SVM
should I test to auto generate optimized classifier(s)?<br><br>
<br>
</font><x-sigsep><p></x-sigsep>
<font face="Arial Black, Helvetica" size=5 color="#800000">Ray
Schumacher<br>
</font><font face="Arial Black, Helvetica">Programmer/Consultant</font>
</body>
</html>