r语言 支持向量机分类_支持向量机原理_envi支持向量机分类(10)

}

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

data2<-data.frame(feature,labeltest)

pred1<-predict(m1,data2,type="class")

table(pred1,labeltest)

sum(diag(table(pred1,labeltest)))/length(name)

pred<-predict(m,feature)

table(pred,labeltest)

sum(diag(table(pred,labeltest)))/length(name)

经整理，我们有如下输出结果：

可以看到，神经网络与支持向量机还是有一定的可比性，但支持向量机的结果还是要优于神经网络的。

这里我们神经网络取25个节点（隐藏层）似乎出现了过拟合的现象（虽然还不算过于严重）我们应该减少节点个数得到更佳的预测结果。

关于节点的选择是个经验活，我们没有一定的规则。可以多试几次，结合训练集正确率与测试集正确率综合研判，但是构造神经网络的代价是高昂的，所以有一个不太坏的结果也就可以停止了。（其他参数的选择同样如此，但是不如size那么重要）

特征的选取对于识别问题来说相当的重要，也许主成分在选择特征时作用会比我们这样的选择更好，但是代价也更高，还有我们应该如何选择主成分，怎么选择（选择哪张图的主成分）都是需要考虑的。

五、神经网络还是支持向量机

从上面的叙述可以看出，神经网络与我们前面说的支持向量机有不少相似的地方，那么我们应该选择谁呢？下面是两种方法的一个简明对比：

– SVM的理论基础比NN更坚实，更像一门严谨的“科学”（三要素：问题的表示、问题的解决、证明）

– SVM ——严格的数学推理

–ANN ——强烈依赖于工程技巧

–推广能力取决于“经验风险值”和“置信范围值”，ANN不能控制两者中的任何一个。

–ANN设计者用高超的工程技巧弥补了数学上的缺陷——设计特殊的结构，利用启发式算法，有时能得到出人意料的好结果。

正如费曼指出的那样“我们必须从一开始就澄清一个观点，就是如果某事不是科学，它并不一定不好。比如说，爱情就不是科学。因此，如果我们说某事不是科学，并不是说它有什么不对，而只是说它不是科学。”与SVM相比，ANN不像一门科学，更像一门工程技巧，但并不意味着它就一定就不好。

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-32507-10.html