[英]Setting the parameters for SVM Classification in R
描述:
RBF
) kernel 和Weston, Watkins native multi-class
來應用SVM
。sigma
必須調整,我想使用k-folds cross validation
來做到這一點。 我考慮一個固定的C
。解決方案:
看來我可以使用漂亮的 package mlr來執行此操作,因此,使用CV
調整rbf
參數sigma
進行MSVM
分類,(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)
問題:
對於這部分
res = tuneParams("classif.ksvm", task = iris.task, resampling = rdesc,
par.set = num_ps, control = ctrl)
根據文檔,通過使用集成學習器 classif.ksvm ,我要求應用 package ksvm中定義的多類分類。
我怎么知道使用的是哪種方法和 kernel 類型? 我的意思是,如何強制學習者classif.ksvm
使用已經在ksvm
中定義的分類類型( kbb-svc
)和 kernel ( rbfdot
)?
如果這是不可能的,那么如何定義一個符合我所有要求的新學習者?
您必須在學習器中設置固定參數。 因此,您首先必須創建它:
library(mlr)
lrn = makeLearner("classif.ksvm", par.vals = list(C = 3, type = "kbb-svc", kernel = "rbfdot"))
然后,您只需在 ParamSet 中定義要更改的參數
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樣進行調整
ctrl = makeTuneControlGrid()
rdesc = makeResampleDesc("CV", iters = 3L)
res = tuneParams(lrn, task = iris.task, resampling = rdesc, par.set = num_ps, control = ctrl)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.