Question

HI我在R中使用了以下方法进行多分类。如何使用交叉验证选择最佳成本？

  n <- nrow(hd) 
  ntrain <- round(n*0.75)
  set.seed(314)
   tindex <- sample(n, ntrain)
   train_iris <- hd[tindex,]
   test_iris <- hd[-tindex,] 
   svm1 <- svm(res~., data=train_iris, 
        method="C-classification", kernal="radial", 
        gamma=0.1, cost=10)

Answer 1

e1071具有调整超参数值的功能，可从模型中获得更好的性能。下面的示例演示如何在tune中使用e1071函数。它从给定范围内找到最佳的cost参数（ cost = 1 给出最佳错误率 0.333 ）

hd <- iris
svm_tune <- tune(svm, Species~., data=hd ,kernel ="radial", 
              ranges = list(cost=c(0.001, 0.01,0.1, 1, 10, 100)))

summary(svm_tune)

# Parameter tuning of ‘svm’:
#   
#   - sampling method: 10-fold cross validation 
# 
# - best parameters:
#   cost
# 1
# 
# - best performance: 0.03333333 
# 
# - Detailed performance results:
#   cost      error dispersion
# 1 1e-03 0.74000000 0.15539674
# 2 1e-02 0.74000000 0.15539674
# 3 1e-01 0.10666667 0.07166451
# 4 1e+00 0.03333333 0.04714045
# 5 1e+01 0.04000000 0.05621827
# 6 1e+02 0.05333333 0.06126244

如何使用交叉验证确定多分类svm中的成本

1 个答案: