24、机器学习中的黑盒方法与市场篮分析

机器学习中的黑盒方法与市场篮分析

1. 提升字符识别模型性能

在字符识别领域，Frey和Slate在1991年发布的数据集上报告了约80%的识别准确率。借助多年来机器学习研究的积累，通过几行R代码，我们就能超越他们的结果。而我们还有进一步提升的空间。

之前的支持向量机（SVM）模型使用了简单的线性核函数。若采用更复杂的核函数，可将数据映射到更高维空间，从而可能获得更好的模型拟合效果。在众多不同的核函数中进行选择颇具挑战，常见做法是先尝试高斯径向基函数（RBF）核，它在许多类型的数据上表现出色。

以下是使用 ksvm() 函数训练基于RBF核的SVM的代码：

letter_classifier_rbf <- ksvm(letter ~ ., data = letters_train,
                              kernel = "rbfdot")

接着，像之前一样进行预测：

letter_predictions_rbf <- predict(letter_classifier_rbf,
                                  letters_test)

最后，将其准确率与线性SVM进行比较：

agreement_rbf <- letter_predictions_rbf == lette