R中的svm kernlab

Question

我想知道當我使用ksvm時如何找出sigma的最佳值（我的數據集具有21個分類和數值變量以及1400個觀測值），這是我的代碼：

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"可能會有所幫助，但這僅適用於一些無監督的啟發式方法，並不一定為了分類精度而優化參數。 后者的唯一方法是編寫一個包裝程序，該包裝程序將網格搜索與交叉驗證結合使用。 如果您不想自己寫，那么mlr包（函數tuneParams() ）可以為您完成此操作。 e1071軟件包（包括到LIBSVM的接口）還提供了執行相同功能的tune()函數。

干杯，UBod

Answer 2

ksvm為您找到最佳的sigma值。 我通過寫作來工作

訓練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“”為您做到了。

強制檢查此。