知识卡片
Glass数据三种核对比
数据:mlbench 包的 Glass,用玻璃化学成分(折射率、Na、Mg、Al 等 9 个数值特征)判定玻璃类别,共 214 条,无缺失;set.seed(1234) 后抽 70% 作训练、30% 作测试,测试集 65 例。
代码要点:library(e1071) 后调用 svm(Type~., kernel=“linear”, data=train),默认 cost=1、gamma≈0.111;线性核在训练集上选出 110 个支持向量,接近样本量的一半,说明类别间仍有重叠。
结果:线性核与径向基核在测试集都是 40⁄65 正确,准确率 61.5%;多项式核只有 46.2%。混淆矩阵显示错误集中在样本最多的第 1、2 类之间,模型倾向预测多数类。结论是核越复杂不一定越好,还可用 tune() 交叉验证调 cost 与 gamma。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第7章 支持向量机 · 查看原书依据
可看出自动选择的模型的两个参数 cost 和 gamma 分别为1和0.1 1 1,在训练数据集中取110个点作为支持向量,用测试集进行测试。
参考来源
- 位置:《大数据挖掘与统计机器学习》第7章 支持向量机(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter9_0004.xhtml,7.4 上机实践)
- 结论依据:原文给出 Glass 数据的划分代码、三种核的建模结果与混淆矩阵,并据 61.5%、61.5%、46.2% 的准确率作比较。
- 原始内容:可看出自动选择的模型的两个参数 cost 和 gamma 分别为1和0.1 1 1,在训练数据集中取110个点作为支持向量,用测试集进行测试。