支持向量机模型

测试开头

支持向量机模型今天是生信星球陪你的第860天

大神一句话，菜鸟跑半年。我不是大神，但我可以缩短你走弯路的半年~

就像歌儿唱的那样，如果你不知道该往哪儿走，就留在这学点生信好不好~

这里有豆豆和花花的学习历程，从新手到进阶，生信路上有你有我!

开始系统学习一下机器学习的一些知识，这个是svm（支持向量机）分类模型。

1.R包和数据

使用了数据iris，用10%作为测试集，90％作为训练集。

if(!require(e1071))install.packages("e1071")
library(e1071)
dat = iris
set.seed(12342)
od = sample(1:nrow(dat),0.9*nrow(dat))
train <- dat[od,]
test <- dat[-od,]
nrow(train)

## [1] 135

nrow(test)

## [1] 15

2.模型构建和预测

model <- svm(Species ~ ., data = train)
fp = predict(model, test[,-5])   
kt = table(fp,test[,5]);kt

##             
## fp           setosa versicolor virginica
##   setosa          4          0         0
##   versicolor      0          5         1
##   virginica       0          0         5

# 看正确率
sum(diag(kt))/sum(kt)

## [1] 0.9333333

这个例子直接用默认参数，正确率已经非常高了，可以不用调优了（当然也可以还是调调）。

3.搜索最优参数

tune.svm函数可以得出误差最小的参数。

cost是惩罚系数，太大导致过拟合，太小导致欠拟合，不直接用默认参数的画，可以用tune.svm找出表现最好的系数。

gamma参数在不同的kernel里用法不同，涉及到了一些细节原理就不看了。

tuned <- tune.svm(Species ~., 
                  data = train, 
                  gamma = 10^(-3:-1), 
                  cost = 10^(-1:1)) 
summary(tuned)

## 
## Parameter tuning of 'svm':
## 
## - sampling method: 10-fold cross validation 
## 
## - best parameters:
##  gamma cost
##    0.1   10
## 
## - best performance: 0.03021978 
## 
## - Detailed performance results:
##   gamma cost      error dispersion
## 1 0.001  0.1 0.65989011 0.21376773
## 2 0.010  0.1 0.50934066 0.20021339
## 3 0.100  0.1 0.12692308 0.07989422
## 4 0.001  1.0 0.51813187 0.17702297
## 5 0.010  1.0 0.11978022 0.08817117
## 6 0.100  1.0 0.03736264 0.03943475
## 7 0.001 10.0 0.11978022 0.08817117
## 8 0.010 10.0 0.04450549 0.03836985
## 9 0.100 10.0 0.03021978 0.03904580

由summary的结果可见，最好的参数是0.1和10。

4.用最优参数重新建模

model  <- svm(Species ~., data = train, gamma=0.1, cost=10) 
fp = predict(model, test[,-5])   
kt = table(fp,test[,5]);kt

##             
## fp           setosa versicolor virginica
##   setosa          4          0         0
##   versicolor      0          5         1
##   virginica       0          0         5