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]))