[英]Setting the parameters for SVM Classification in R
描述:
RBF
) kernel 和Weston, Watkins native multi-class
来应用SVM
。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?
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)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.