R中的svm kernlab

Question

我想知道当我使用ksvm时如何找出sigma的最佳值（我的数据集具有21个分类和数值变量以及1400个观测值），这是我的代码：

rbf <- rbfdot(sigma = 0.05)
model <- ksvm(target~.,data = train,prob.model = TRUE,kernel = rbf)
p <- predict(model,test,type="probabilities")

Answer 1

我同意kpar="automatic"可能会有所帮助，但这仅适用于一些无监督的启发式方法，并不一定为了分类精度而优化参数。 后者的唯一方法是编写一个包装程序，该包装程序将网格搜索与交叉验证结合使用。 如果您不想自己写，那么mlr包（函数tuneParams() ）可以为您完成此操作。 e1071软件包（包括到LIBSVM的接口）还提供了执行相同功能的tune()函数。

干杯，UBod

Answer 2

ksvm为您找到最佳的sigma值。 我通过写作来工作

训练svm向量

ksvm_model<- ksvm(x=train,y=y,scaled=TRUE,type="nu-svr",kernel="rbfdot", kpar="automatic", prob.model=TRUE,class.weights=NULL,cache=100,cross=5);
#summary(ksvm_model);
# train and test the model over the test data 
next_y<-predict(ksvm_model,test_mat,type="response");

“ kpar =” automatic“”为您做到了。

强制检查此。