R語言基于支持向量機訓(xùn)練模型實現(xiàn)類預(yù)測

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

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模型和測試數(shù)據(jù)集的屬性預(yù)測它的模型
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基于分類表評測預(yù)測性能

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             
說明

本節(jié)首先調(diào)用predict函數(shù)獲得測試數(shù)據(jù)集的預(yù)測模型，然后用table函數(shù)產(chǎn)生測試數(shù)據(jù)集的分類表，接下來的性能評測過程與前述章節(jié)其他方法其他分類方法的評測類似。
引入了一個新的函數(shù)classAgreement用來計算一個二維列聯(lián)表行列之間多種一致性關(guān)系數(shù)。
diag系數(shù)為分類表主對角性上數(shù)據(jù)點的百分比，kappa系數(shù)是對diag系數(shù)隨機一致性的修正，rand代表聚類評價指標(biāo)（rand index），主要用來橫量兩個聚簇之間的相似性，crand系數(shù)是出現(xiàn)元素隨機分類情況對Rand index 修正結(jié)果。
SVM回歸分析

還可以使用SVM預(yù)測連續(xù)變量，也就是使用SVM實現(xiàn)回歸分析。在接下來的樣例中，我們使用名為eps-regression模型說明如何使用SVM執(zhí)行回歸分析。
使用Quartet數(shù)據(jù)集來訓(xùn)練一個支持向量機：

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

使用predict函數(shù)得到預(yù)測結(jié)果

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

調(diào)用plot繪圖函數(shù)，預(yù)測值用正方形，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")