Mis a jour le 2016-05-22, 16:22

SVM

SVM : Support Vector Machines. Ce sont des technologies qui permettent un apprentissage en limitant au maximum les risques d'over-fitting (sur des bases théoriques). On utilisera ici la librairie e1071 (faire library(e1071), la librairie devant être installée avant) qui s'appuie sur libsvm.
Phase d'apprentissage : Par défaut, le SVM utilisé est de type à noyau radial et les valeurs sont normalisées avant de faire tourner le SVM (pour avoir une moyenne 0 et un écart-type 1). L'objet retourné est de classe svm.
Paramètres du SVM :
model <- svm(Species ~ ., iris, type = "C-classification", kernel = "polynomial", degree = 2, gamma = 2, cost = 0.5, coef0 = 0)
Attributs d'un objet de la classe svm :
Par défaut, les valeurs prédites sont calculées et incluses dans le modèle. On peut alors comparer les valeurs prédites et les valeurs réelles :
model <- svm(Species ~ ., iris, fitted = TRUE)
table(model$fitted, iris$Species)
           setosa versicolor virginica
  setosa         50          0         0
  versicolor      0         48         2
  virginica       0          2        48
  
Cross-validation :
Prédiction de classes :

Copyright Aymeric Duclert
programmer en R, tutoriel R, graphes en R