R語(yǔ)言基于支持向量機(jī)訓(xùn)練模型實(shí)現(xiàn)類預(yù)測(cè)

前面介紹了基于訓(xùn)練集訓(xùn)練SVM的方法。通過(guò)訓(xùn)練，算法能找到使間隔區(qū)間最大化的最優(yōu)平面來(lái)分割訓(xùn)練數(shù)據(jù)集，得到SVM模型能夠被用來(lái)預(yù)測(cè)新到樣例的類別。

準(zhǔn)備
使用之前構(gòu)建的churn構(gòu)建的model.
操作
利用已構(gòu)建的SVM模型和測(cè)試數(shù)據(jù)集的屬性預(yù)測(cè)它的模型
svm.pred = predict(model,testset[,!names(testset) %in% c("churn")])
svm.table = table(svm.pred,testset$churn)
svm.table

svm.pred yes  no
     yes  70  12
     no   71 865
調(diào)用classAgreement計(jì)算分類一致性

classAgreement(svm.table)
$diag
[1] 0.9184676

$kappa
[1] 0.5855903

$rand
[1] 0.850083

$crand
[1] 0.5260472
調(diào)用confusionMatrix基于分類表評(píng)測(cè)預(yù)測(cè)性能

library(lattice)
library(ggplot2)
library(caret)
confusionMatrix(svm.table)
Confusion Matrix and Statistics


svm.pred yes  no
     yes  70  12
     no   71 865

               Accuracy : 0.9185          
                 95% CI : (0.8999, 0.9345)
    No Information Rate : 0.8615          
    P-Value [Acc > NIR] : 1.251e-08       

                  Kappa : 0.5856          
 Mcnemar's Test P-Value : 1.936e-10       

            Sensitivity : 0.49645         
            Specificity : 0.98632         
         Pos Pred Value : 0.85366         
         Neg Pred Value : 0.92415         
             Prevalence : 0.13851         
         Detection Rate : 0.06876         
   Detection Prevalence : 0.08055         
      Balanced Accuracy : 0.74139         

       'Positive' Class : yes             
說(shuō)明

本節(jié)首先調(diào)用predict函數(shù)獲得測(cè)試數(shù)據(jù)集的預(yù)測(cè)模型，然后用table函數(shù)產(chǎn)生測(cè)試數(shù)據(jù)集的分類表，接下來(lái)的性能評(píng)測(cè)過(guò)程與前述章節(jié)其他方法其他分類方法的評(píng)測(cè)類似。
引入了一個(gè)新的函數(shù)classAgreement用來(lái)計(jì)算一個(gè)二維列聯(lián)表行列之間多種一致性關(guān)系數(shù)。
diag系數(shù)為分類表主對(duì)角性上數(shù)據(jù)點(diǎn)的百分比，kappa系數(shù)是對(duì)diag系數(shù)隨機(jī)一致性的修正，rand代表聚類評(píng)價(jià)指標(biāo)（rand index），主要用來(lái)橫量?jī)蓚€(gè)聚簇之間的相似性，crand系數(shù)是出現(xiàn)元素隨機(jī)分類情況對(duì)Rand index 修正結(jié)果。
SVM回歸分析

還可以使用SVM預(yù)測(cè)連續(xù)變量，也就是使用SVM實(shí)現(xiàn)回歸分析。在接下來(lái)的樣例中，我們使用名為eps-regression模型說(shuō)明如何使用SVM執(zhí)行回歸分析。
使用Quartet數(shù)據(jù)集來(lái)訓(xùn)練一個(gè)支持向量機(jī)：

library(car)
data(Quartet)
model.regression = svm(Quartet$y1~Quartet$x,type = "eps-regression")

使用predict函數(shù)得到預(yù)測(cè)結(jié)果

predict.y = predict(model.regression,Quartet$x)
predict.y

調(diào)用plot繪圖函數(shù)，預(yù)測(cè)值用正方形，訓(xùn)練數(shù)據(jù)用圓形：

plot(Quartet$x,Quartet$y1,pch = 19)
points(Quartet$x,predict.y,pch = 15,col = "red")