在 R 中设置 SVM 分类的参数

Question

描述：

1. 对于数据集，我想通过使用径向基础 function ( RBF ) kernel 和Weston, Watkins native multi-class来应用SVM 。
2. rbf kernel 参数sigma必须调整，我想使用k-folds cross validation来做到这一点。 我考虑一个固定的C 。

解决方案：

看来我可以使用漂亮的 package mlr来执行此操作，因此，使用CV调整rbf参数sigma进行MSVM分类，（使用本教程）

#While C is fix = 3, define a range to search sigma over it. Search between [10^{-6}, 10^{6}]
num_ps = makeParamSet(
  makeDiscreteParam("C", values = 3),
  makeNumericParam("sigma", lower = -6, upper = 6, trafo = function(x) 10^x)
)
#Define the Grid search method
ctrl = makeTuneControlGrid()
#Apply the k-folds CV
rdesc = makeResampleDesc("CV", iters = 3L)

res = tuneParams("classif.ksvm", task = iris.task, resampling = rdesc,
  par.set = num_ps, control = ctrl)

问题：

对于这部分

res = tuneParams("classif.ksvm", task = iris.task, resampling = rdesc,
      par.set = num_ps, control = ctrl)

根据文档，通过使用集成学习器 classif.ksvm ，我要求应用 package ksvm中定义的多类分类。

我怎么知道使用的是哪种方法和 kernel 类型？ 我的意思是，如何强制学习者classif.ksvm使用已经在ksvm中定义的分类类型（ kbb-svc ）和 kernel （ rbfdot ）？

如果这是不可能的，那么如何定义一个符合我所有要求的新学习者？

Answer 1

您必须在学习器中设置固定参数。 因此，您首先必须创建它：

library(mlr)
lrn = makeLearner("classif.ksvm", par.vals = list(C = 3, type = "kbb-svc", kernel = "rbfdot"))

然后，您只需在 ParamSet 中定义要更改的参数

num_ps = makeParamSet(
  makeNumericParam("sigma", lower = -6, upper = 6, trafo = function(x) 10^x)
)

然后你可以像你的例子一样进行调整

ctrl = makeTuneControlGrid()
rdesc = makeResampleDesc("CV", iters = 3L)
res = tuneParams(lrn, task = iris.task, resampling = rdesc, par.set = num_ps, control = ctrl)