R语言 支持向量机

支持向量机可以想象成一个平面，改平面定义了个数据点之间的界限，而这些数据点代表它们的特征绘制多维空间中的样本。支持向量机的目标是创建一个称为超平面的平面边界，它使得任何一个的数据划分都是相当均匀的。支持向量机几乎可以适用于所有的学习任务，包括分类（svm）、数值预测、回归（svr）。

R实现及参数说明

1）kernlab包

 函数ksvm()通过。Call接口，使用bsvm和libsvm库中的优化方法。对于分类，有C-SVM分类算法和v-SVM分类算法，同时还包括C分类器的有界约束的版本；对于回归，提供了ε-SVM回归算法和v-SVM回归算法；对于多类分类，有一对一(one-against-one)方法和原生多类分类方法。

2）e1071包

使用libsvm库中的优化方法。多分类通过一对一的投票机制(one-against-one voting scheme)实现。e1071包的tune()函数在指定的范围内选取合适的参数。

3）klaR包
klaR对库SVMlight进行了简单的包装，提供了函数svmlight()以分类，可视化。Svmlight()支持C-SVM进行分类，ε-SVM进行回归；以一对所有(one-against-all)进行多类分类。SVMlight支持高斯核，多项式，线性和sigmoid核。Svmlight()的参数形式为字符串形式。

4）svmpath包

svmpath包里的函数可用来选取支持向量机的cost参数C

核函数:

Linear：使用它的话就成为线性向量机，效果基本等价于Logistic回归。但它可以处理变量极多的情况，例如文本挖掘。

Polynomial：n次多项式核函数，适用于图像处理问题。选择n的好方法是从1(一个线性模型)开始，然后递增至估计误差不再改进为止。通常，相当小的数目就足够了。

Radial basis，高斯核函数，最流行易用的选择。参数包括了sigma，其值若设置过小，会有过度拟合出现。

Sigmoid：反曲核函数，多用于神经网络的激活函数。实践中，核函数的选择一般并不导致结果准确率的很大差别(也有特例!)。

参数说明：

kernel： 核函数用于训练和预测。 该参数可以设置为类内核的任何函数，该函数计算两个向量参数之间的特征空间中的内积

C：违约成本（默认值：1）这是拉格朗日公式中正则项的'C'常数

nu：nu参数设置训练误差的上限和数据点分数的下限成为支持向量

代码：

  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)   # 计算误差率
  
  
  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)   # 计算误差率
  plot(model, iris, Petal.Width ~ Petal.Length, slice = list(Sepal.Width = 3, Sepal.Length = 4))