全文链接:http://tecdat.cn/?p=3072
原文出处:拓端数据部落公众号
【视频】支持向量机SVM、支持向量回归SVR和R语言网格搜索超参数优化实例
支持向量机SVM、支持向量回归SVR和R语言网格搜索超参数优化实例
,时长07:24
视频:从决策树到随机森林:R语言信用卡违约分析信贷数据实例
从决策树到随机森林:R语言信用卡违约分析信贷数据实例
,时长10:11
下面显示了四种预测时间序列的方法。
支持向量机(R package e1071。“Chih-Chung Chang and Chih-Jen Lin,LIBSVM:a library for support vector machines,2005.”的实现)。
递归分区(R package rpart。“Breiman,Friedman,Olshen and Stone。Classification and Regression Trees,1984”的实现)。
将最后两种方法的性能与rle进行比较,得到svm的95%和rpart的94%。
R :
m$rle(Xvar ='sleep',Xlmin =60)m$setZoo()+
rleplot(m$zo[,c(5,7,8)],type ='l')
# Subset a week
# Plot correlation matrix
w$correlation(Xvars =w$nm[c(2:7,9)])
# SVM and Recursive partitioning
plot(tune.gamma.cost)
rpart.p <- predict(rpart.m, data[,-1],type ='class')
sdt$svm = as.integer(svm.p)
dt$rpart = as.integer(rpart.p)
plot(w$dt2zoo(dt)[,c(5,8,9,10)],type ='l')