第八篇：支持向量机 (Support Vector Machine)

前言

       本文讲解如何使用R语言中e1071包中的SVM函数进行分类操作，并以一个关于鸢尾花分类的实例演示具体分类步骤。

分析总体流程

1. 载入并了解数据集；
2. 对数据集进行训练并生成模型；
3. 在此模型之上调用测试数据集进行分类测试；
4. 查看分类结果；
5. 进行各种参数的调试并重复2-4直至分类的结果让人满意为止。

参数调整策略

       综合来说，主要有以下四个方面需要调整：

1. 选择合适的核函数；
2. 调整误分点容忍度参数cost；
3. 调整各核函数的参数；
4. 调整各样本的权重。

       其中，对于特征比较多的情况一般用非线性核，比如高斯核。高斯核的特点是参数多，需要不断调试参数才能理想的效果。而线性核没什么参数可设置，一般适用于特征比较少的情况。

       关于各核函数的参数，则一般是通过试探法来确定。最好可以将不同样本权重模型，不同核函数参数下的分类准确率做成一张可视化报表，以便于方案确定。

       关于3的选择，一般可以通过MDS的可视化图，看有哪几个分类是纠缠不清的，然后就加大这两个分类的样本权重。

鸢尾花分类分析 - 使用支持向量机(SVM)

       1. 安装SVM分析所需包：e1071

       2. 载入并了解数据集：

       

       可以看出，这个数据集比较理想化，避免了繁琐的数据预处理过程，非常适合作为案例讲解。

       3. 建立SVM模型：

       

       这个模型变量相当于是训练库，下面查看该模型的信息：

       

       其中，SVM类型是C-classification，核函数是高斯核，cost是误分点容忍度参数，gamma是核函数参数。他们的具体含义请参考函数手册。

       4. 利用该模型进行预测

       

       5. 查看预测效果：

       

       可见，有两个类型似乎混淆了。那怎么办？还有，如果变量多，我如何观察出哪几个变量纠缠不清呢？下面先来解决这个问题。

       6. 使用MDS技术查看各变量分类情况

       MDS技术可以根据所有样本之间的距离，根据各个变量之间距离不变的设定，将维度降低到两维。一般来说，它是用来分析整体分类的一个态势的：

1 plot(cmdscale(dist(iris[,-5])), col = c("blue", "green", "orange")[as.integer(iris[,5])], pch = c("o", "+")[1:150 %in% model$index+1])
2 legend(2, -0.7, c("setosa", "versicolor", "virginica"), col = c("blue", "green", "orange"), lty = 1)

       显示效果如下：

       

       显然，后两个分类有点混淆。

       7. 调整各样本权重系数：

       

       由上图可知，这样的模型产生了更好的分类效果。

小结

       1. 本例中的场景比较简单，故未做复杂的参数调整。在实际项目中往往需要对方方面面都进行调整。

       2. 虽然SVM在做了标准化后效果更好，但是不用手动标准化。因为SVM函数会自动进行标准化。

       3. 对于维度比较少的情况，直接用线性核就好了。

       4. SVM是综合指标最好的分类器，但是有它的局限之处，那就是容易过拟合。因此降维工作一定要做好。