支持向量机通过寻找_r语言 支持向量机分类_支持向量机超平面(5)

sigmoid.svm.fit<-svm(label~xy,data=dataSim,kernel='sigmoid')

with(dataSim,mean(label==ifelse(predict(sigmoid.svm.fit)>0,1,-1)))

df<-cbind(dataSim,

data.frame(LinearSVM=ifelse(predict(linear.svm.fit)>0,1,-1),

PolynomialSVM=ifelse(predict(polynomial.svm.fit)>0,1,-1),

RadialSVM=ifelse(predict(radial.svm.fit)>0,1,-1),

SigmoidSVM=ifelse(predict(sigmoid.svm.fit)>0,1,-1)))

library("reshape")

predictions<-melt(df,id.vars=c('x','y'))

library('ggplot2')

ggplot(predictions,aes(x=x,y=y,color=factor(value)))

geom_point()

facet_grid(variable~.)

最后，我们回到最开始的那个手写数字的案例，我们试着利用支持向量机重做这个案例。（这个案例的描述与数据参见《R语言与机器学习学习笔记（分类算法）（1）》）

运行代码：

setwd("D:/R/data/digits/trainingDigits")

names<-list.files("D:/R/data/digits/trainingDigits")

data<-paste("train",1:1934,sep="")

for(iin1:length(names))

assign(data[i],as.vector(as.matrix(read.fwf(names[i],widths=rep(1,32)))))

label<-rep(0:9,c(189,198,195,199,186,187,195,201,180,204))

data1<-get(data[1])

for(iin2:length(names))

data1<-rbind(data1,get(data[i]))

m<-svm(data1,label,cross=10,type="C-classification")

m

summary(m)

pred<-fitted(m)

table(pred,label)

setwd("D:/R/data/digits/testDigits")

names<-list.files("D:/R/data/digits/testDigits")

data<-paste("train",1:1934,sep="")

for(iin1:length(names))

assign(data[i],as.vector(as.matrix(read.fwf(names[i],widths=rep(1,32)))))

data2<-get(data[1])

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-30141-5.html