支持向量机是一个相对较新和较先进的机器学习技术，最初提出是为了解决二类分类问题，现在被广泛用于解决多类非线性分类问题和回归问题。继续阅读本文，你将学习到支持向量机如何工作，以及如何利用R语言实现支持向量机。
支持向量机如何工作？
简单介绍下支持向量机是做什么的：
假设你的数据点分为两类，支持向量机试图寻找最优的一条线（超平面），使得离这条线最近的点与其他类中的点的距离最大。有些时候，一个类的边界上的点可能越过超平面落在了错误的一边，或者和超平面重合，这种情况下，需要将这些点的权重降低，以减小它们的重要性。
这种情况下，“支持向量”就是那些落在分离超平面边缘的数据点形成的线。
无法确定分类线（线性超平面）时该怎么办？
此时可以将数据点投影到一个高维空间，在高维空间中它们可能就变得线性可分了。它会将问题作为一个带约束的最优化问题来定义和解决，其目的是为了最大化两个类的边界之间的距离。
我的数据点多于两个类时该怎么办？
此时支持向量机仍将问题看做一个二元分类问题，但这次会有多个支持向量机用来两两区分每一个类，直到所有的类之间都有区别。
工程实例
让我们看一下如何使用支持向量机实现二元分类器，使用的数据是来自MASS包的cats数据集。在本例中你将尝试使用体重和心脏重量来预测一只猫的性别。我们拿数据集中20%的数据点，用于测试模型的准确性（在其余的80%的数据上建立模型）。
|
1 2 3 4 |
# Setup # 先需要安装SVM包e1071; library(e1071) data(cats, package="MASS") inputData <- data.frame(cats[, c (2,3)], response = as.factor(cats$Sex)) # response as factor |
线性支持向量机
传递给函数svm()的关键参数是kernel、cost和gamma。Kernel指的是支持向量机的类型，它可能是线性SVM、多项式SVM、径向SVM或Sigmoid SVM。Cost是违反约束时的成本函数，gamma是除线性SVM外其余所有SVM都使用的一个参数。还有一个类型参数，用于指定该模型是用于回归、分类还是异常检测。但是这个参数不需要显式地设置，因为支持向量机会基于响应变量的类别自动检测这个参数，响应变量的类别可能是一个因子或一个连续变量。所以对于分类问题，一定要把你的响应变量作为一个因子。
|
1 2 3 4 5 6 |
# linear SVM svmfit<-svm(response~.,data=inputData,kernel="linear",cost=10,scale=FALSE)# print(svmfit) plot(svmfit,inputData) compareTable<-table(inputData$response,predict(svmfit)) # mean(inputData$response!=predict(svmfit))# |
径向支持向量机
径向基函数作为一个受欢迎的内核函数，可以通过设置内核参数作为“radial”来使用。当使用一个带有“radial”的内核时，结果中的超平面就不需要是一个线性的了。通常定义一个弯曲的区域来界定类别之间的分隔，这也往往导致相同的训练数据，更高的准确度。
|
1 2 3 4 5 6 |
# radial SVM svmfit <- svm(response ~ ., data = inputData, kernel = "radial", cost = 10, scale = FALSE) # radial svm, scaling turned OFF print(svmfit) plot(svmfit, inputData) compareTable <- table (inputData$response, predict(svmfit)) # tabulate mean(inputData$response != predict(svmfit)) # 18.75% misclassification error |
寻找最优参数
你可以使用tune.svm()函数，来寻找svm()函数的最优参数。
|
1 2 3 4 5 6 7 8 9 10 |
### Tuning # Prepare training and test data set.seed(100)# rowIndices<-1:nrow(inputData)# sampleSize<-0.8*length(rowIndices)# trainingRows<-sample(rowIndices,sampleSize)# trainingData<-inputData[trainingRows,]# testData<-inputData[-trainingRows,]# tuned<-tune.svm(response~.,data=trainingData,gamma=10^(-6:-1),cost=10^(1:2))# summary(tuned)# |
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 |
# Parameter tuning of 'svm': # - sampling method: 10-fold cross validation # # - best parameters: # gamma cost # 0.001 100 # # - best performance: 0.26 # # - Detailed performance results: # gamma cost error dispersion # 1 1e-06 10 0.36 0.09660918 # 2 1e-05 10 0.36 0.09660918 # 3 1e-04 10 0.36 0.09660918 # 4 1e-03 10 0.36 0.09660918 # 5 1e-02 10 0.27 0.20027759 # 6 1e-01 10 0.27 0.14944341 # 7 1e-06 100 0.36 0.09660918 # 8 1e-05 100 0.36 0.09660918 # 9 1e-04 100 0.36 0.09660918 # 10 1e-03 100 0.26 0.18378732 # 11 1e-02 100 0.26 0.17763883 # 12 1e-01 100 0.26 0.15055453 |
结果证明，当cost为100，gamma为0.001时产生最小的错误率。利用这些参数训练径向支持向量机。
|
1 2 3 4 5 |
svmfit<-svm(response~.,data=trainingData,kernel="radial",cost=100,gamma=0.001,scale=FALSE)# print(svmfit) plot(svmfit,trainingData) compareTable<-table(testData$response,predict(svmfit,testData)) # mean(testData$response!=predict(svmfit,testData))# |
|
1 2 3 |
F M F 6 3 M 1 19 |
网格图
一个2-色的网格图，能让结果看起来更清楚，它将图的区域指定为利用SVM分类器得到的结果的类别。在下边的例子中，这样的网格图中有很多数据点，并且通过数据点上的倾斜的方格来标记支持向量上的点。很明显，在这种情况下，有很多越过边界违反约束的点，但在SVM内部它们的权重都被降低了。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 |
# Grid Plot n_points_in_grid=60 x_axis_range<-range(inputData[,2])# y_axis_range<-range(inputData[,1])# X_grid_points<-seq(from=x_axis_range[1],to=x_axis_range[2],length=n_points_in_grid)# Y_grid_points<-seq(from=y_axis_range[1],to=y_axis_range[2],length=n_points_in_grid)# ll_grid_points<-expand.grid(X_grid_points,Y_grid_points)# names(all_grid_points)<-c("Hwt","Bwt")# all_points_predited<-predict(svmfit,all_grid_points)# color_array<-c("red","blue")[as.numeric(all_points_predited)]# plot(all_grid_points,col=color_array,pch=20,cex=0.25)# points(x=trainingData$Hwt,y=trainingData$Bwt,col=c("red","blue")[as.numeric(trainingData$response)],pch=19)# points(trainingData[svmfit$index,c(2,1)],pch=5,cex=2)# |