为了学习支持向量机,我们必须确定各种参数。
例如,有成本和伽玛等参数。
我正在尝试使用" GA"来确定SVM的sigma和gamma参数。包和" kernlab"包的R.
我使用准确度作为遗传算法的评估函数。
我创建了以下代码,然后运行它。
library(GA)
library(kernlab)
data(spam)
index <- sample(1:dim(spam)[1])
spamtrain <- spam[index[1:floor(dim(spam)[1]/2)], ]
spamtest <- spam[index[((ceiling(dim(spam)[1]/2)) + 1):dim(spam)[1]], ]
f <- function(x)
{
x1 <- x[1]
x2 <- x[2]
filter <- ksvm(type~.,data=spamtrain,kernel="rbfdot",kpar=list(sigma=x1),C=x2,cross=3)
mailtype <- predict(filter,spamtest[,-58])
t <- table(mailtype,spamtest[,58])
return(t[1,1]+t[2,2])/(t[1,1]+t[1,2]+t[2,1]+t[2,2])
}
GA <- ga(type = "real-valued", fitness = f, min = c(-5.12, -5.12), max = c(5.12, 5.12), popSize = 50, maxiter = 2)
summary(GA)
plot(GA)
但是,当我调用GA功能时,会返回以下错误。
&#34;未找到支持向量。您可能想要更改参数&#34;
我无法理解为什么代码不好。
答案 0 :(得分:4)
将GA用于SVM参数不是一个好主意 - 只需进行常规网格搜索(两个for循环,一个用于C
和一个用于gamma
值)就足够了。
在Rs库e1071 (which also provides SVMs) there is a method
tune.svm`中,使用网格搜索查找最佳参数。
示例强>
data(iris)
obj <- tune.svm(Species~., data = iris, sampling = "fix",
gamma = 2^c(-8,-4,0,4), cost = 2^c(-8,-4,-2,0))
plot(obj, transform.x = log2, transform.y = log2)
plot(obj, type = "perspective", theta = 120, phi = 45)
这也显示了一件重要的事情 - 你应该以几何方式寻找一个好的C和gamma值,例如。 2^x
中的x
{-10,-8,-6,-6,-4,-2,0,2,4}
。{/ p>
GA是一种元优化算法,参数空间很大,参数和优化函数之间没有简单的关联。它需要调整更多的参数然后SVM(世代数,人口规模,变异概率,交叉概率,变异算子,交叉算子......)所以这里完全没用。
当然 - 正如之前在评论中所述 - C和Gamma 必须严格为正。
有关使用e1071
的详细信息,请查看CRAN文档:http://cran.r-project.org/web/packages/e1071/e1071.pdf