支援向量機可以想象成乙個平面，改平面定義了個資料點之間的界限，而這些資料點代表它們的特徵繪製多維空間中的樣本。支援向量機的目標是建立乙個稱為超平面的平面邊界，它使得任何乙個的資料劃分都是相當均勻的。支援向量機幾乎可以適用於所有的學習任務，包括分類
（svm）
、數值**、回歸
（svr）。
r
實現及引數說明
1）kernlab
包
函式ksvm()通過。call介面，使用bsvm和libsvm庫中的優化方法。對於分類，有c-svm分類演算法和v-svm分類演算法，同時還包括c分類器的有界約束的版本；對於回歸，提供了ε-svm回歸演算法和v-svm回歸演算法；對於多類分類，有一對一(one-against-one)方法和原生多類分類方法。
2）e1071包
使用libsvm庫中的優化方法。多分類通過一對一的投票機制(one-against-one voting scheme)實現。e1071包的tune()函式在指定的範圍內選取合適的引數。
3）klar包
klar對庫svmlight進行了簡單的包裝，提供了函式svmlight()以分類，視覺化。svmlight()支援c-svm進行分類，ε-svm進行回歸；以一對所有(one-against-all)進行多類分類。svmlight支援高斯核，多項式，線性和sigmoid核。svmlight()的引數形式為字串形式。
4）svmpath包
svmpath包裡的函式可用來選取支援向量機的cost引數c
核函式
:
linear
：使用它的話就成為線性向量機，效果基本等價於
logistic
回歸。但它可以處理變數極多的情況，例如文字挖掘。
polynomial：n
次多項式核函式，適用於影象處理問題。選擇
n的好方法是從
1(乙個線性模型
)開始，然後遞增至估計誤差不再改進為止。通常，相當小的數目就足夠了。
radial basis
，高斯核函式，最流行易用的選擇。引數包括了
sigma
，其值若設定過小，會有過度擬合出現。
sigmoid
：反曲核函式，多用於神經網路的啟用函式。實踐中，核函式的選擇一般並不導致結果準確率的很大差別
(也有特例!)。
引數說明：
kernel：核函式用於訓練和**。 該引數可以設定為類核心的任何函式，該函式計算兩個向量引數之間的特徵空間中的內積
c：違約成本（預設值：1）這是拉格朗日公式中正則項的'c'常數
nu：nu引數設定訓練誤差的上限和資料點分數的下限成為支援向量
**：
library(kernlab)
svm.model <- ksvm(species ~ ., data = iris, kernel = 'rbfdot')
predict(svm.model, iris[c(3, 10, 56, 68, 107, 120), ])
svm.t <- table(iris$species, predict(svm.model, iris, type = 'response'))
1 - sum(diag(svm.t))/sum(svm.t) # 計算誤差率
library(e1071)
model <- svm(species ~ ., data = iris, method = "c-classification",
kernel = "radial", cost = 10, gamma = 0.1)
summary(model)
svm.t <- table(iris$species, predict(model, iris, type = 'response'))
1 - sum(diag(svm.t))/sum(svm.t) # 計算誤差率
plot(model, iris, petal.width ~ petal.length, slice = list(sepal.width = 3, sepal.length = 4))
支援向量機 R語言如何實現支援向量機？
支援向量機是幫助我們解決小樣本 非線性及高維資料的重要手段。1在r語言中，實現支援向量機的是e1071軟體包中的svm函式。首先，安裝並載入軟體包。2讀取資料集。gyyz data read.csv gyyz.csv head t 讀取資料集 gyyz data is rise as.factor ...
R 支援向量機
支援向量機是乙個相對較新和較先進的機器學習技術，最初提出是為了解決二類分類問題，現在被廣泛用於解決多類非線性分類問題和回歸問題。其流行歸功於兩個方面，乙個方面，可以輸出比較準確的 結果 另一方面，模型基於比較優雅的數學理論。svm旨在在多維空間找到乙個能將全部樣本單元分成兩類的最優平面，這一平面應使...
R語言調整支援向量機
說明 除了選擇不同的特徵集和核函式，還可以借助引數gamma以及懲罰因子來調整支援向量機的效能，可以寫乙個for函式來實現。svm提供了tune.svm函式簡化了這個過程。操作準備好訓練資料集trainset 使用tune.svm調整支援向量機 tuned tune.svm churn data t...