知乎 https://zhuanlan.zhihu.com/p/25188759
https://zhuanlan.zhihu.com/p/32305137
plot(SVM_model)
一、R SVM
svm(formula,data=NULL,…,subset,na.action=na.omit,sacle=TRUE)
主要参数说明如下：
formula:分类模型形式，在第二个表达式中可以理解为y~x
即y相当于标签，x相当于特征（变量）
data:数据框。
subset:可以指定数据集的一部分作为训练数据。
na.cation：缺失值处理，默认为删除缺失数据。
scale:将数据标准化，中心化，使其均值为0，方差为1，将自动执行。
type:svm的形式。为：C-classification ，nu-classification，one-classification(for novelty detection) ，eps-regression， nu-regression 五种形式。后面两者为做回归时用到。默认为C分类器。
kernel:在非线性可分时，我们引入核函数来做。R中提供的核函数如下
线性核:
u'*v
多项式核:
(gamma*u'*v +coef0)^degree
高斯核:
exp(-gamma*|u-v|^2)
sigmoid核:
tanh(gamma*u'*v +coef0)
默认为高斯核。顺带说一下，在kernel包中可以自定义核函数。
degree:多项式核的次数，默认为3
gamma:除去线性核外，其他核的参数，默认为1/数据维数
coef0:多项式核与sigmoid核的参数，默认为0.
cost:C分类中惩罚项c的取值
nu:Nu分类，单一分类中nu的值
cross:做k折交叉验证，计算分类正确性。
https://www.ikddm.com/3093.html/
二、R语言机器学习之核心包e1071
R语言有很多包可以做机器学习（Machine Learning）的任务。机器学习的任务主要有有监督的学习方式和无监督的学习方式。
svm(formula,data=NULL,…,subset,na.action=na.omit,sacle=TRUE)
R代码
##第一步：载入mlbench的Glass数据集
if(!suppressWarnings(require(mlbench)))
{
install.packages('mlbench')
require(mlbench)
}
data(Glass, package="mlbench")
##第二步：数据集划分：训练集和测试集
index <- 1:nrow(Glass)
testindex <- sample(index, trunc(length(index)/3))
testset <- Glass[testindex,]
trainset <- Glass[-testindex,]
##第三步：构建SVM模型
svm.model <- svm(Type ~ ., data = trainset, cost = 100, gamma = 1)
##第四步：SVM模型应用到测试数据集
svm.pred <- predict(svm.model, testset[,-10])
##第五步：模型结果评估
##1混淆矩阵
table(pred = svm.pred,true= testset[,10])
##2计算Accuracy和Kappa值
classAgreement(table(pred = svm.pred,true= testset[,10]))
相关链接：
1 SVM算法：https://en.wikipedia.org/wiki/Support_vector_machine
2 NB分类器：https://en.wikipedia.org/wiki/Naive_Bayes_classifier
3 回归算法：https://en.wikipedia.org/wiki/Regression_analysis
4 e1071包说明文档：https://cran.r-project.org/web/packages/e1071/
https://blog.csdn.net/u013421629/article/details/77719775?tdsourcetag=s_pcqq_aiomsg
http://blog.jobbole.com/92021/?tdsourcetag=s_pcqq_aiomsg
https://blog.csdn.net/NIeson2012/article/details/51354284
https://zhuanlan.zhihu.com/p/32305137?utm_source=qq&utm_medium=social&utm_oi=869352697768329216
https://zhuanlan.zhihu.com/p/24468741?refer=The-Art-of-Data
https://www.cnblogs.com/luonet/p/4028990.html
网友评论