如何解决在 R 中设置 SVM 分类的参数
说明:
- 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
。 - 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)
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。