15、支持向量机与神经网络

最新推荐文章于 2025-12-16 20:29:32 发布

PEPSI

最新推荐文章于 2025-12-16 20:29:32 发布

阅读量32

点赞数

CC 4.0 BY-SA版权

分类专栏：从统计到机器学习文章标签：支持向量机 SVM RBF核

本文链接：https://blog.youkuaiyun.com/pepsi/article/details/152140980

从统计到机器学习专栏收录该内容

24 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

支持向量机与神经网络

1. 支持向量机（SVM）的RBF核实验

在机器学习任务中，支持向量机（SVM）是一种强大的分类和回归工具。这里我们使用RBF（径向基函数）核进行相关实验。以下是相关的R代码实现：

ts_tble =   table(ts_y_act,ts_y_pred)
print(paste("Test   Confusion Matrix"))
print(ts_tble)
ts_acc = accrcy(ts_tble)
print(paste("SVM RBF   Kernel Test accuracy:",round(ts_acc,4)))
ts_prec = precsn(ts_tble)
print(paste("SVM RBF   Kernel Test Precision:"))
print(ts_prec)
ts_rcl = recll(ts_tble)
print(paste("SVM RBF   Kernel Test Recall:"))
print(ts_rcl)

# Grid search - RBF Kernel
library(e1071)
svm_rbf_grid =   tune(svm,letter~.,data =
train_data,kernel="radial",scale=TRUE,ranges   = list(
  cost = c(0.1,0.3,1,3,10,30),
  gamma =   c(0.001,0.01,0.1,0.3,1) ),
  tunecontrol =   tune.control(cross = 5))
print(paste("Best   param