SVM

根据给定的训练数据训练 SVM 模型

语法

svm::fit(Y, X, [para=None])

参数

• y: 目标值向量，元素类型统一为int类型或double类型。
• X: 输入的训练数据(可以为矩阵、表、向量)，元素类型为 double。
  • 当X为矩阵的时候，每一列代表一个样本，列中的元素代表属性值。
  • 当X为表的时候，表中每列数据都必须是 double 类型,每一行表示一个样本。
  • 当X为向量的时候，fit方法会根据y向量的长度将X均匀分成相应长度的样本。
• params: 一个 string-any 类型字典，表示 SVM 训练参数。它包括如下键值:
  • "type":表示 SVM 类型。其值可以为"NuSVC"、"NuSVR"、"OneClass"、"SVC"、"SVR"
  • "kernel":表示核函数类型。其值可以为"linear"、"poly"、"rbf"、"sigmoid"、"precomputed"
  • "degree":表示核函数级数。其值为一个 int 值。
  • "gamma":表示核函数的 gamma 参数。其值可以为 "scale" 或者 double 值。
  • "coef0":表示核函数的 coef0 参数。其值为一个 double 值，默认为0。
  • "C":表示C-SVC, epsilon-SVR, and nu-SVR 的 cost 参数。其值为一个 double 值，默认为1。
  • "epsilon":表示 epsilon-SVR 中的 epsilon 参数。其值为一个 double 值，默认为0.1。
  • "shrinking":表示是使用 shrinking heuristics。其值为一个布尔值。默认为1。
  • "cache_size":表示核函数缓存的大小。其值为一个 double 值，以MB为单位，默认为100。
  • "verbose":表示是否进行详细输出。其值为一个布尔值，默认为 True。
  • "nu":表示边界误差的分数的上限）和支持向量的分数的下限。范围属于(0,1]，其默认值为0.5。

返回值 返回一个 SVM 对象。

根据 SVM 模型和测试数据进行分类或者回归

语法

svm::predict(SVMobject, X)

参数

• SVMobject: 一个 SVM 对象。
• X: 输入的测试数据，元素类型为 double。其类型可以为矩阵、表、向量。

返回值

返回一个向量，向量中的值为预测的样本标签值或回归值。

根据给定的测试数据和标签值计算已有 SVM 的模型的准确性，并返回统计指标。其中SVM模型由一个 SVM 对象给出。

语法

svm::score(SVMobject, Y, X)

参数

• SVMobject: 一个 SVM 对象。
• Y: 真实目标值向量。
• X: 输入的测试数据矩阵。其类型可以为矩阵、表、向量。

返回值

如果是分类模型，返回预测的准确率。如果是回归模型，返回 MSE 和 R2。

将已经训练好的 SVM 模型保存。

语法

svm::saveModel(SVMobject, location)

参数

• SVMobject: 一个 SVM 对象。
• location: 一个字符串，表示文件路径。

返回值

一个布尔值，表示模型是否保存成功。

将文件形式的SVM模型导入到内存中。

语法

svm::loadModel(location)

参数

• location: 一个字符串，表示SVM模型文件路径。

返回值

一个 SVM 对象。

训练模型：

path="/path/to/PluginSVM.txt";
modelPath="/path/to/mymodel"
loadPlugin(path)
X = matrix(-1.0 -1.0,-2.0 -1.0, 1.0 1.0, 2.0 1.0)
Y = 1.0 1.0 2.0 2.0
clf = svm::fit(Y, X)

用模型进行预测：

> svm::predict(clf, X)
[1,1,2,2]

评估模型：

> svm::score(clf, X);

1

将模型保存：

svm::saveModel(clf, modelPath)

训练模型：

path="/path/to/PluginSVM.txt";
modelPath="/path/to/mymodel";
loadPlugin(path);
X = table(1 3 5 7 11 16 23 as X)
Y = 0.1 4.2 5.6 8.8 22.1 35.6 77.2
regr = svm::fit(Y, X, {type: "SVR"})

评估模型：

> svm::score(regr, Y, X);

MSE->797.772
R2->0.582937