一文掌握SVM用法（基于R语言）

最新推荐文章于 2024-06-12 09:41:16 发布

Mrrunsen

最新推荐文章于 2024-06-12 09:41:16 发布

阅读量1.3k

点赞数

分类专栏： R语言大学作业文章标签：支持向量机 r语言机器学习

本文链接：https://blog.csdn.net/Mrrunsen/article/details/122636324

版权

1394 篇文章 6146 订阅 ¥9.90 ¥99.00

订阅专栏

本文详细介绍了支持向量机（SVM）的基本概念和在R语言中的应用，包括二元分类变量预测、多元分类变量预测以及使用SVR预测连续变量。通过实例展示了SVM在生物信息学、数据分类和回归分析中的实践操作，强调了SVM的灵活性和适用性。

摘要由CSDN通过智能技术生成

支持向量机，因其英文名为support vector machine，故一般简称SVM，就是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

看起来这个定义是不是专有名词太多呀！其实还有要完全理解SVM原理及算法，还需要理解线性回归，最小二乘法，逻辑回归，线性分类器，线性可分，核函数，损失函数，

但是不要怕，不具体理解SVM原理及算法，我们仍然是可以使用它，左右不过是一个分类器罢了，就是根据一堆自变量来预测因变量，所以就是变量预测，值得一提的是，SVM通常应用于二元分类变量预测，但是经过一些改进也可以勉强对多元分类变量预测，同时基于SVM的SVR也可以预测连续变量。

通俗的理解，我们想根据年收入来预测某家庭是贫穷还是富有，可以简单的按照年收入50万来进行分类，这个时候就只有一个自变量，就是收入的金额这个数值，因变量也很简单，就是二元分类情况。只不过通常我们要使用SVM的场景，因变量肯定不止一个，阈值也没有那么简单找到。

毫无疑问，生物学领域最经典的二元分类变量就是病人的生死问题啦！

load('~/Documents/Rdata/TCGA-LUAD-survival_input.Rdata')
## 上面的测试数据大家可以发邮件给我索要，我的邮箱是  jmzeng1314@

了解本专栏

关注