在 SVM 中使用 tune.svm() 函数和交叉验证技术答案

【问题标题】：Using tune.svm() function in SVM with cross validation technique在 SVM 中使用 tune.svm() 函数和交叉验证技术
【发布时间】：2021-01-31 23:55:28
【问题描述】：

我用 5 折交叉验证技术构建了 SVM 模型。我想使用 tune.svm() 函数来调整最佳参数。但是，默认情况下，在 tune.svm() 中使用了 10 倍交叉验证技术。在 SVM 开始使用 5 折交叉验证技术时，我们将数据分成 5 折。但是之后，当我们使用 tune.svm() 时，默认情况下，它使用 10 折交叉验证。我只是想知道，当我们在 SVM 中使用交叉验证技术时，我们如何使用 tune.svm？以及如何使用交叉验证技术在线性核中找到我们最好的参数？

【问题讨论】：

嗨@IIkerYILMAZ，欢迎来到SO。请避免在一个问题中提出多个问题。这里的其他用户很难一口气解决所有问题。
我试图在下面回答一些问题，但我再次强烈建议您在问题结束之前集中注意力

标签： r svm cross-validation

【解决方案1】：

您可以使用 tunecontrol=tune.control(cross=..) 指定交叉验证的数量。如果您阅读帮助页面 (?tune.svm)，您会看到：

degree, gamma, coef0, cost, nu, class.weights, epsilon: ‘svm’
          parameters.

这些意味着你可以尝试在 svm 中调整这些参数，但你需要指定它们。

例如，如果我们调整 gamma 和成本，并且 cv=5：

m = tune.svm(x = iris[,1:4],y=as.numeric(iris$Species=="versicolor"),
tunecontrol=tune.control(cross=5),cost=1:3,gamma=seq(0,0.5,by=0.1))

m$performances
   gamma cost      error  dispersion
1    0.0    1 0.30413429 0.074359870
2    0.1    1 0.05252970 0.015033730
3    0.2    1 0.03824034 0.010252205
4    0.3    1 0.03423748 0.009514754
5    0.4    1 0.03156347 0.008972839
6    0.5    1 0.03095934 0.009128068
7    0.0    2 0.30413429 0.074359870
8    0.1    2 0.04600002 0.013275795
9    0.2    2 0.03488123 0.008582790
10   0.3    2 0.03165164 0.008197322
11   0.4    2 0.03123569 0.008004122
12   0.5    2 0.03082393 0.009569036
13   0.0    3 0.30413429 0.074359870
14   0.1    3 0.04345943 0.012687920
15   0.2    3 0.03256819 0.006965251
16   0.3    3 0.03167265 0.007482398
17   0.4    3 0.03121712 0.008437225
18   0.5    3 0.03108899 0.010158448

m$best.parameters
   gamma cost
12   0.5    2

【讨论】：

非常感谢 StupidWolf。我很高兴见到你。你知道如何在 Fold1、Fold2、...、Fold5 中使用交叉验证吗？
您不能将折叠作为参数传递。为此，也许您需要使用插入符号