svm()
描述：
支持向量机，可用于解决分类问题和回归问题。
语法：
|
svm(X,Y,param) |
对于训练数据集自变量X和因变量Y,使用参数param进行训练，返回训练结果即模型R。 |
|
svm(R,Xpre) |
根据模型R，在预测集XPre上进行预测，返回预测结果。 |
|
svm(X,Y,param,XPre) |
训练连接预测。输入训练数据自变量X,因变量Y,模型参数，预测数据XPre，联动执行模型训练和预测，返回预测结果。 |
备注：
外部库函数，外部库的使用请参考《外部库使用指南》。
参数param是包含了4种支持向量机模型参数的集合，使用时重点设置所选模型对应的参数。
参数：
|
X |
序列，训练集自变量。 |
|
Y |
序列，训练集目标变量。 |
|
param |
序列，支持向量机参数集合。 |
|
R |
序列，语法svm(X,Y,param)的返回结果。 |
|
XPre |
序列，预测集数据。 |
参数param说明：
param内共计13个参数，函数计算时将会顺序读取。
|
位置 |
参数说明 |
可选值 |
可选值说明 |
|
位置1 |
svm_type：整数，默认0；表示可选模型种类 |
0 |
C-SVC 分类算法 |
|
1 |
nu-SVC 分类算法 |
||
|
3 |
epsilon-SVR 回归算法 |
||
|
4 |
nu-SVR 回归算法 |
||
|
位置2 |
kernel_type：整数，默认2；表示 核函数，可选 |
0 |
linear: u'*v 线性核函数 |
|
1 |
polynomial: (gamma*u'*v + coef0)^degree 多项式核函数 |
||
|
2 |
radial basis function: exp(-gamma*|u-v|^2) 高斯核函数/径向基核函数 |
||
|
3 |
sigmoid: tanh(gamma*u'*v + coef0) sigmoid核函数 |
||
|
位置3 |
degree：整数，默认3；多项式核函数的级数（‘poly’），如果是其他核函数，此参数会被忽略 |
||
|
位置4 |
cache_size：浮点数，默认100；设置kernel缓存大小（以 MB 为单位） |
||
|
位置5 |
eps：浮点数，默认0.001；误差精度,终止准则中的可容忍偏差 |
||
|
位置6 |
C：浮点数，默认1；正则化参数，C-SVC、ε-SVR、nu-SVR中惩罚系数C |
||
|
位置7 |
gamma：浮点数，默认1/特征数；核函数中gamma值，poly/rbf/sigmoid的核系数 |
||
|
位置8 |
coef0：浮点数，默认0；核函数中的coef0，poly/sigmoid相关 |
||
|
位置9 |
nu：浮点数，默认0.5；训练误差部分的上限和支持向量部分的下限，取值区间在(0,1)内。nu-SVC与nu-SVR中设置 |
||
|
位置10 |
p：浮点数，默认0.1；表示epsipon，在 epsilon-SVR 的损失函数中设置 epsilon |
||
|
位置11 |
nr_weight：整数；分类数或0，用于修改某些类的惩罚权重，SVC中使用。输入0表示不修改任何类别的惩罚权重；输入分类数表示按照各类别在总体样本中的比重来修改惩罚权重 |
||
|
位置12 |
shrinking：Boolean值0或1，默认1；是否使用收缩启发式 |
||
|
位置13 |
probability：Boolean值0或1，默认0；是否启用概率估计 |
||
返回值：
示例：
|
|
A |
|
|
1 |
[[17.6,17.7,17.7,17.7],[17.7,17.7,17.7,17.8],[17.7,17.7,17.8,17.8],[17.7,17.8,17.8,17.9], [17.8,17.8,17.9,18],[17.8,17.9,18,18.1],[17.9,18,18.1,18.2],[18,18.1,18.2,18.4],[18.1,18.2,18.4,18.6], [18.2,18.4,18.6,18.7],[18.4,18.6,18.7,18.9],[18.6,18.7,18.9,19.1]] |
训练集自变量X。 |
|
2 |
[17.8,17.8,17.9,18,18.1,18.2,18.4,18.6,18.7,18.9,19.1,19.3] |
训练集目标变量Y。 |
|
3 |
[3,0,3,100,0.00001,1,0.25,0,0.5,0.1,1,1,1] |
设置参数param。 |
|
4 |
[[18.7,18.9,19.1,19.3],[18.9,19.1,19.3,19.6],[19.1,19.3,19.6,19.9],[19.3,19.6,19.9,20.2], [19.6,19.9,20.2,20.6],[19.9,20.2,20.6,21],[20.2,20.6,21,21.5]] |
预测集XPre。 |
|
5 |
=svm(A1,A2,A3) |
使用A3中的参数，在训练集上进行训练，返回训练结果R，R中成员值依次为：决策函数中支持向量的系数、每个类别的标签、类别数、总支持向量的数量、每个类别的支持向量数量、决策函数中的常数、支持向量、训练时的参数param。 |
|
6 |
=svm(A5,A4) |
根据训练结果R，在预测集上进行预测，返回预测结果：
|
|
7 |
=svm(A1,A2,A3,A4) |
使用A3的参数，在训练集上进行训练，并在预测集上进行预测，返回预测结果。 |
