支持向量机通过寻找_r语言 支持向量机分类_支持向量机优缺点(6)

data2<-get(data[1])

for(i in 2:length(names))

data2<-rbind(data2,get(data[i]))

pred<-predict(m,data2)

labeltest<-rep(0:9,c(87,97,92,85,114,108,87,96,91,89))

table(pred,labeltest)

模型摘要：

Call:

svm.default(x = data1, y = label, type ="C-classification", cross =10)

Parameters:

SVM-Type: C-classification

SVM-Kernel: radial

cost: 1

gamma: 0.0009765625

Number of Support Vectors: 1139 ( 78 130 101 124 109 122 87 93 135 160 )

Number of Classes: 10

Levels: 0 1 2 3 4 5 6 7 8 9

10-fold cross-validation on training data:

Total Accuracy: 96.7425

Single Accuracies:

97.40933 98.96373 91.7525899.48187 94.84536 94.30052 97.40933 96.90722 98.96373 97.42268

当然，我们还可以通过m$SV查看支持向量的情况，m$index查看支持向量的标签，m$rho查看分类时的截距b。

训练集分类结果：

我们拿测试数据来看：

分类正确率为：0.9735729，误差率为2.6%左右，确实达到了开篇提出的可比的目的，而需要储存的支持向量个数仅为1139个，比原来的训练数据1934个要少了近50%，也达到了我们要求的节约存储的目的。当然得一提的是线性分类的效果在实际中也没有那么糟糕，可以牺牲线性核函数的正确率来换取分类速度与存储空间。另外，支持向量的个数与训练集的出错率也没有特别必然的联系，而是与容错率cost有一定的联系。

FurtherReading:

在R中使用支持向量机：(3.e1071包和klaR包)

支持向量机: Maximum MarginClassifier

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-30138-6.html