svm 的R实现

最新推荐文章于 2024-03-19 13:31:02 发布
最新推荐文章于 2024-03-19 13:31:02 发布
阅读量1.5k 收藏 3
点赞数 1
分类专栏： 数据挖掘 文章标签： svm R k折交叉验证
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/webzjuyujun/article/details/47748821
版权
这篇博客介绍了如何在R中实现SVM（支持向量机）模型，从数据预处理、k折交叉验证选择参数到模型训练和预测。通过读取CSV文件，对数据进行归一化处理，然后利用e1071包进行SVM的参数调优，特别是关注了gamma和cost参数。最后，博主展示了预测结果的准确性验证方法。
摘要由CSDN通过智能技术生成

1.数据准备本地文件格式：

hour15, hour15diff, hour17, hour17diff, addrate, lastflag, res

23.7475, -9.3125, 30.5800, -12.7600, -3.4475, 0, 0 

24.6150, -10.3050, 31.7625, -13.5175, -3.2125000000000004, 0, 0 

22.7575, -8.5625, 30.9513, -10.6588, -2.0962999999999994, 0, 0 

19.7963, -8.0038, 29.9200, -8.9000, -0.8962000000000003, 0, 0 


2.读取数据到R

trainModel = read.table('/xxx/xx/train.csv',header=TRUE,sep=',')


3.数据格式处理

简单的大小归一化：

trainModel['hour15'] = trainModel['hour15'] /10

trainModel['hour17'] = trainModel['hour17] /10

trainModel['hour15diff'] = trainModel['hour15diff']/5

...


4.k折交叉验证svm参数选择

library('e1071')

obj = tune.svm(res~.,data=trainModel,gamma = 1,

最低0.47元/天 解锁文章
leo鱼
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
R语言SVM支持向量机模型数据分类实战：探索性数据分析、模型调优、特征选择、核函数选择
data+scenario+science+insight
09-21 1629
R语言SVM支持向量机模型数据分类实战：探索性数据分析、模型调优、特征选择、核函数选择 目录 R语言SVM支持向量机模型数据分类实战：探索性数据分析、模型调优、特征选择、核函数选择 ​ #SVM基本原理 #案例分析 ​#数据集说明 #加载需要的包 #数据导入、合并、探索性分析 #SVM分类模型构建 #SVM模型参数调优基于多项式核函数 #SVM模型参数调优基于RBF核函数 #SVM模型参数调优基于sigmoid核函数 #混淆矩阵计算 #SVM模型特征选择 .
SVM_RFE循环递归筛选特征
12-04
本代码使用svm_RFE来循环递归式的对数据特征进行排序，从而筛选出有用的特征，同时可以看到特征排序，已经每次筛选出去的特征
（完整代码）R语言中利用SVM-RFE机器学习算法筛选关键因子
懒得很的博客
03-20 1万+
自用机器学习筛选基因代码， 花费一个多月写下来的。
R语言建立SVM分类模型，并画ROC曲线，标注AUC值
aydayUP111的博客
10-13 1969
本文介绍了用R语言进行支持向量机的一些方法和心得，包括本人遇到的坑比如什么不是numeric所以出不来结果，目前来看应该是可以通过本文介绍的方法来解决，如果本文存在什么问题，也希望大家能评论指出，共同进步。另外这是本人第一次用编程来画图，ROC曲线的一些参数还不是很清楚，也请了解的人能多多指教，感谢！
【ML--14】在R语言中使用SVM算法做多分类预测
赖德发的博客
08-30 9709
我们采用iris数据集进行学习和测试，最后看看它的效果。 1、载入SVM算法包library(e1071)2、划分训练和测试集划分训练和测试集时，采用set.seed函数设随机数种子，这能保证划分得到的训练和测试集与C5.0完全相同，方便后续测试效果的比较。set.seed(2016) train.indeces<-sample(1:nrow(iris),100) iris.train<-ir
R语言实现SVM预测的代码
08-31
R语言实现SVM预测的代码，简单但是亲测可用。（下载后用记事本打开即可） library(xlsx) library(e1071) #———— 1、加载数据 #训练集 #预测集 #———— 2、数据整理 #建立模型 #预测
R语言 svm 手写数字识别
11-11
首先，我们需要了解R语言的SVM库`e1071`，它是R中实现SVM的主要工具包，提供了多种核函数和模型调参功能。 `e1071`包安装非常简单，只需要在R的控制台输入`install.packages("e1071")`即可。一旦安装完成，我们可以...
SVM.zip_SVM_SVM kernel_SVM实现_kernel svm_线性SVM
09-23
在SVM.zip中，可能包含了使用不同编程语言（如Python、R）实现的SVM代码示例，涵盖了线性SVM和非线性SVM的训练、预测以及核函数的选择和调整。这些示例可以帮助初学者理解SVM的工作原理，并提供实践经验。通过阅读和...
SVM.rar_R语言 SVM 文本_SVM_SVM r language_基于tfidf的svm
09-25
R语言作为统计学和数据分析的强大工具，提供了多种库来实现SVM，如`e1071`、`kernlab`等。在这个项目中，我们将重点探讨如何在R语言环境中使用SVM进行文本分类，特别是在TF-IDF（Term Frequency-Inverse Document ...
高级分类器：支持向量机( SVM).rar_R svm_SVM_SVM.R
09-20
在本项目中，我们将利用R语言实现这一高级分类器。 R语言是一种广泛用于统计分析和图形绘制的编程环境，它拥有丰富的机器学习库，如e1071，该库包含了对SVM的支持。在R中实现SVM，首先需要安装并加载这个库。使用...
SVMRFE_过拟合_SVMrfe_特征筛选_分类算法_matlab
09-11
特征选择算法，防止分类结果出现过拟合，提前对多维的特征向量进行选择筛选
变量选择方法-基于SVM
06-05
当面临许多变量时，很自然的要进行变量的初次筛选，以便减缓后续的建模计算压力。本文提出了一种新的有效的变量选择方法，不依赖于模型的清晰指定，故而具有很大的灵活性与适应范围。
在R中使用支持向量机（SVM）进行数据挖掘（下）
热门推荐
白马负金羁
11-17 3万+
本文介绍在R语言中，利用支持向量机SVM对数据进行分类的方法。并对模型以及分类结果进行分析和图形化展示
利用支持向量机进行癌症分类的基因选择
DaMeng999的博客
11-02 1514
文献标题:Gene Selection for Cancer Classifification using Support Vector Machines 1. SVM 递归特征消除（SVM-RFE） SVM-RFE 是一种以权重大小作为排序标准的 REFE 应用。 1.1 算法流程 输入：训练样本集 初始化： 幸存特征子集： 特征排序列表： 开始循环直到 s = []： 限制训练数据集从而得到一个良好的特征指标 采用 SVM 进行分类（对偶方式）获得值 计算...
R之筛选变量
weixin_30675247的博客
08-03 1149
> names(hr) [1] "satisfaction" "evaluation" "project" "monthlyhour" "serviceyear""accident" "left" "promotion" "dept" "salary""SG" 变量选取的三种方法如下： 1.subset( ) eg： > hr01<-subset(hr, se...
医学预测变量筛选的几种方法（R语言版）
最新发布
skyskytotop的博客
03-19 938
以上介绍了四种常用的预测变量筛选方法，每种方法都有其优缺点。在实际应用中，可以根据具体情况选择合适的方法。为了更好的展示，
用R实现SVM
qq_39119949的博客
03-09 2874
参考用书：数据挖掘：R语言实战 黄文 王正林 编著 支持向量机方法建立在统计学理论的VC维理论和结构风险最小原理的基础下，根据有限样本在模型的复杂性和学习能力之间寻求最佳折中， 以期获得最好的推广能力。 统计学习的目标从经验风险最小化变为了寻求经验风险与置信风险之和最小化，即结构风险最小化。 e1071包 svm(formula, data = NULL, ..., subse...
机器学习之支持向量机——R语言
sun_indifferent的博客
05-16 2057
机器学习之支持向量机——R语言 下面是基于鸢尾花数据集的，二分类的实现代码。 #鸢尾花数据集（2自变量） iris.subet = subset(iris,select = c("Sepal.Length","Sepal.Width","Species"), Species %in% c("versicolor","virginica")) #查看数据特征 plot(x = iris.subet$Sepal.Length,y = iri
利用R语言实现支持向量机（SVM）数据挖掘案例
weixin_33834628的博客
11-28 2730
建立模型 svm()函数在建立支持向量机模型的时候有两种建立方式。简单地说，一种是根据既定公式建立模型；而另外一种方式则是根据所给的数据模型建立模型。 根据函数的第一种使用格式，针对上述数据建模时，应该先确定所建立的模型所使用的数据，然后再确定所建立模型的结果变量和特征变来那个。代码如下： library(e1071) data(iris) #建立svm模型 model <- svm(Sp...
R语言实现基于svm的糖尿病预测
06-09
好的，针对您的问题，我可以提供以下的实现步骤： 1. 导入数据集 首先，您需要准备好您的数据集。您可以使用R语言中的read.csv()函数或其他相应函数将数据集导入到R中。 2. 数据预处理 在导入数据后，您需要对数据进行一些预处理。您可以使用R语言中的一些函数，如scale()函数来对数据进行标准化。此外，您还需要将数据集分为训练集和测试集。 3. 建立svm模型 接下来，您将使用e1071包中的svm()函数来建立svm模型。您需要指定svm()函数的参数，如kernel类型、惩罚系数C等。例如，您可以使用以下代码来建立svm模型： ``` library(e1071) model <- svm(diabetes~., data = train, kernel = "linear", cost = 10) ``` 其中，diabetes是您的目标变量，train是您的训练集数据。 4. 预测结果 在建立svm模型后，您可以使用predict()函数来对测试集进行预测并计算准确率。例如，您可以使用以下代码来预测测试集的结果并计算准确率： ``` pred <- predict(model, test[,-9]) mean(pred == test$diabetes) ``` 其中，test[,-9]表示测试集数据除了目标变量之外的所有变量，test$diabetes表示测试集的目标变量。 至此，您已经成功地使用svm算法进行了糖尿病预测。希望能对您有所帮助！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值