在 R 中设置 SVM 分类的参数

如何解决在 R 中设置 SVM 分类的参数

说明：

1. 对于数据集，我想通过使用径向基函数 (SVM) 内核和 RBF 来应用 Weston,Watkins native multi-class。
2. 必须调整 rbf 内核参数 sigma，我想使用 k-folds cross validation 来执行此操作。我认为是固定的 C。

解决方案：

看来我可以使用nice package mlr 来做到这一点！因此，要使用 rbf 对 sigma 分类调整 CV 参数 MSVM，（使用此 tutorial）

#While C is fix = 3,define a range to search sigma over it. Search between [10^{-6},10^{6}]
num_ps = makeParamSet(
  makediscreteParam("C",values = 3),makeNumericParam("sigma",lower = -6,upper = 6,trafo = function(x) 10^x)
)
#Define the Grid search method
ctrl = makeTuneControlGrid()
#Apply the k-folds CV
rdesc = makeResampleDesc("CV",iters = 3L)

res = tuneParams("classif.ksvm",task = iris.task,resampling = rdesc,par.set = num_ps,control = ctrl)

问题：

对于这部分

res = tuneParams("classif.ksvm",control = ctrl)

根据文档，通过使用集成学习器 classif.ksvm，我要求应用包 ksvm 中定义的多类分类。

我如何知道使用了哪种方法和内核类型？我的意思是，如何强制学习者 classif.ksvm 使用 kbb-svc 中已经定义的分类类型（rbfdot）和内核（ksvm）？

如果这是不可能的，那么如何定义一个满足我所有要求的新学习者？

解决方法

您必须在学习器中设置固定参数。因此，您首先必须创建它：

library(mlr)
lrn = makeLearner("classif.ksvm",par.vals = list(C = 3,type = "kbb-svc",kernel = "rbfdot"))

然后您只需在 ParamSet 中定义要更改的参数

num_ps = makeParamSet(
  makeNumericParam("sigma",lower = -6,upper = 6,trafo = function(x) 10^x)
)

然后您可以按照示例进行调整

ctrl = makeTuneControlGrid()
rdesc = makeResampleDesc("CV",iters = 3L)
res = tuneParams(lrn,task = iris.task,resampling = rdesc,par.set = num_ps,control = ctrl)