Question

您能否评论如何处理以下非线性数据（svm回归）：

tt <- c(1.38, 1.41, 1.38, 1.57, 1.65, 1.45, 1.38, 1.38, 1.38, 1.69, 2.18, 1.89, 0.00, 0.00, 1.20, 0.00, 1.23, 1.40, 1.38, 1.38, 1.38, 1.08, 1.40, 1.88, 1.76, 1.70, 1.87, 0.00, 1.90, 1.40, 0.00, 1.46, 1.51, 0.01, 1.90, 1.63, 0.00, 0.00, 0.01, 2.00, 1.40, 0.00, 1.69, 1.68, 1.70, 1.40, 1.40, 1.64, 1.98, 2.00, 1.40, 2.00, 2.00, 1.78,1.56, 1.46, 1.69, 1.40, 1.87, 1.38, 0.00, 1.40, 1.43, 1.40, 1.69, 1.69, 1.88, 0.94, 1.69, 1.71, 1.57,1.38, 1.10, 1.70, 2.00, 1.70, 1.08, 1.70, 0.00, 1.70, 1.80,0.00, 1.58, 1.80, 1.69, 1.77, 0.00, 0.00, 1.38, 0.00, 0.00, 1.38, 0.00, 0.00)
pp <- c(4,  6,  6,  5,  6,  5,  4,  4,  4,  5,  7,  5,  6 , 6 , 4,  4,  5 , 4 , 5 , 5 , 5  ,6 , 5 , 5,  6 , 7 , 5,   6 ,  4 , 4 , 6,  6 , 6 , 8,  5,  6 , 6  , 5 , 8,  7 , 6,  6,  5 , 5,  6,  6,  6,  5,  5,  5,  5,  6,  7,  6,  4,  6,  5,  6,  6,  6,  8,  6,  4,  4,  5,  5,  6,  6,  7,  4,  6,  4,  4,  5,  5,  4,  4,  6, 10,  7,  6, 10,  5,  7,  5,  4,  8,  7,  4,  6,  4,  4, 4,  6)
qq <- c(2, 2, 2, 3, 1, 3, 3, 3, 3, 1, 0, 2, 0, 2, 3, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 0, 3, 0, 1, 3, 1, 1, 1, 0, 1, 1, 2, 2, 2, 1, 1, 1, 2, 3, 0, 1, 3, 0, 1, 0, 2, 3, 3, 1, 1, 1, 0, 0, 2, 3, 3, 2, 1, 3, 0, 3, 3, 2, 1, 1, 2, 2, 0, 3, 2, 1, 0, 3, 4, 2, 3, 3, 1)

我试过这样的，例如

library(kernlab)
huh <- data.frame(tt,pp,qq)
index <- 1:nrow(huh)
testindex <- sample(index, trunc(length(index)/3))
testset <-huh[testindex,]
trainset <- huh[-testindex,]

mod <- ksvm(tt ~pp+qq, data =trainset,type = "eps-svr", kernel = "rbfdot",kpar ="automatic", C = 10, prob.model = TRUE)

结果看起来像

Support Vector Machine object of class "ksvm" 

SV type: eps-svr  (regression) 
 parameter : epsilon = 0.1  cost C = 10 

Gaussian Radial Basis kernel function. 
 Hyperparameter : sigma =  0.637663227203429 

Number of Support Vectors : 55 

Objective Function Value : -224.1407 
Training error : 0.581297 
Laplace distr. width : 1.320399

我可以提取系数和偏差（w和b），但我找不到定义损失函数的松弛变量（软边界）。你能建议我另一种选择适合这种类型的数据吗？

Answer 1

查看包e1701，函数svm（）和predict（）。它支持回归svm和各种内核。

Answer 2

我认为您应该尝试使用biocLite（＆＃34; e1071＆＃34;）将e1071软件包安装到R中。你可以这样做：源（＆＃34; http://bioconductor.org/biocLite.R＆＃34） biocLite（＆＃34; e1071＆＃34）

至少我已将e1071软件包安装到R中。

希望这可以帮到你一点点。

R中最好的svm / ksvm非线性回归

2 个答案: