kernlab包:

? ? 函數(shù)ksvm()通過。Call接口，使用bsvm和libsvm庫中的優(yōu)化方法。對于分類，有C-SVM分類算法和v-SVM分類算法，同時還包括C分類器的有界約束的版本；對于回歸，提供了ε-SVM回歸算法和v-SVM回歸算法；對于多類分類，有一對一(one-against-one)方法和原生多類分類方法。

e1071包:

? ? 使用libsvm庫中的優(yōu)化方法。多分類通過一對一的投票機制(one-against-one voting scheme)實現(xiàn)。e1071包的tune()函數(shù)在指定的范圍內(nèi)選取合適的參數(shù)。

klaR包:

? ? klaR對庫SVMlight進行了簡單的包裝，提供了函數(shù)svmlight()以分類，可視化。Svmlight()支持C-SVM進行分類，ε-SVM進行回歸；以一對所有(one-against-all)進行多類分類。SVMlight支持高斯核，多項式，線性和sigmoid核。Svmlight()的參數(shù)形式為字符串形式。

svmpath包:

? ? svmpath包里的函數(shù)可用來選取支持向量機的cost參數(shù)C

rminer包

? ? 核函數(shù):

Linear：使用它的話就成為線性向量機，效果基本等價于Logistic回歸。但它可以處理變量極多的情況，例如文本挖掘。

Polynomial：n次多項式核函數(shù)，適用于圖像處理問題。選擇n的好方法是從1(一個線性模型)開始，然后遞增至估計誤差不再改進為止。通常，相當小的數(shù)目就足夠了。

Radial basis，高斯核函數(shù)，最流行易用的選擇。參數(shù)包括了sigma，其值若設(shè)置過小，會有過度擬合出現(xiàn)。

Sigmoid：反曲核函數(shù)，多用于神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。

實踐中，核函數(shù)的選擇一般并不導(dǎo)致結(jié)果準確率的很大差別(也有特例!)。

? ? 軟邊緣參數(shù)C:

cost