SVM
支持向量机(Support Vector Machine, SVM)是一种监督学习算法,常用于分类和回归问题。DolphinDB 提供了 SVM 插件,使用户可以在 DolphinDB 中对 DolphinDB 对象执行 SVM 模型的训练和预测。插件基于 libsvm 进行实现,对常见的支持向量机算法进行了封装。
安装插件
版本要求
DolphinDB Server: 2.00.10 及更高版本,支持 Linux x86-64, Windows x86-64。
安装步骤
在 DolphinDB 客户端中使用
listRemotePlugins
命令查看插件仓库中的插件信息。注意:仅展示当前操作系统和 server 版本支持的插件。若无预期插件,可自行编译(请自行选择对应分支下的插件)或在 DolphinDB 用户社区进行反馈。
login("admin", "123456") listRemotePlugins()
使用
installPlugin
命令完成插件安装。installPlugin("SVM")
使用
loadPlugin
命令加载插件。loadPlugin("SVM")
接口说明
fit
语法
svm::fit(Y, X, [params=None])
详情
根据给定的训练数据训练 SVM 模型。
返回一个 SVM 对象。
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 一个字典,类型为 (STRING, ANY),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": 表示是否使用 shrinking heuristics。其值为一个布尔值。默认为 true。
- "cache_size": 表示核函数缓存的大小。其值为一个 DOUBLE 值,单位为 MB,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。
predict
语法
svm::predict(model, X)
详情
根据 SVM 模型和测试数据进行分类或者回归。
返回一个向量,向量中的值为预测的样本标签值或回归值。
参数
model 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。
score
语法
svm::score(model, Y, X)
详情
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。
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。
参数
model 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。
saveModel
语法
svm::saveModel(model, filePath)
详情
将已经训练好的 SVM 模型保存。
返回一个布尔值,表示模型是否保存成功。
参数
model 一个 SVM 对象。
filePath STRING 类型标量,表示文件路径。
loadModel
语法
svm::loadModel(filePath)
详情
将文件形式的 SVM 模型导入到内存中。
返回一个 SVM 对象。
参数
filePath STRING 类型标量,表示文件路径。
使用示例
例1 SVM 分类模型
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 = fit(Y, X)
用模型进行预测:
predict(clf, X)
// output: [1,1,2,2]
评估模型:
score(clf, X);
//output : 1
将模型保存:
saveModel(clf, modelPath)
例2 SVM 回归模型
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 = fit(Y, X, {type: "SVR"})
评估模型:
score(regr, Y, X);
/*
MSE->797.772
R2->0.582937
*/