R 从svm拟合超平面绘制数据

我使用svm找到了一个依赖于q的超平面最佳拟合回归，其中我有4个维度：x，y，z，q

fit <- svm(q ~ ., data=data,kernel='linear')

我有一个数据的3d图，其中第四维是彩色的，使用plot3d。如何覆盖svm找到的超平面？如何绘制超平面？我想将回归超平面可视化。

您写道：

我用svm找到了一个超平面最佳拟合回归

但根据：

Call:
svm(formula = q ~ ., data = data, kernel = "linear")

Parameters:
SVM-Type:  C-classification

你在做分类

因此，首先确定您需要什么：分类或拟合回归，从

？svm

，我们看到：

type: ‘svm’ can be used as a classification machine, as a
      regression machine, or for novelty detection.  Depending of
      whether ‘y’ is a factor or not, the default setting for
      ‘type’ is ‘C-classification’ or ‘eps-regression’,
      respectively, but may be overwritten by setting an explicit
      value.

由于我相信您没有更改参数

type

的默认值，您可能正在求解

分类

，因此，我将演示如何将其可视化以进行分类

假设有

2个
类，生成一些数据：

> require(e1071) # for svm()                                                                                                                                                          
> require(rgl) # for 3d graphics.                                                                                                                                                                                    
> set.seed(12345)                                                                                                                                                                     
> seed <- .Random.seed                                                                                                                                                                
> t <- data.frame(x=runif(100), y=runif(100), z=runif(100), cl=NA)
> t$cl <- 2 * t$x + 3 * t$y - 5 * t$z                                                                                                                                                 
> t$cl <- as.factor(ifelse(t$cl>0,1,-1))
> t[1:4,]
           x         y         z cl
 1 0.7209039 0.2944654 0.5885923 -1
 2 0.8757732 0.6172537 0.8925918 -1
 3 0.7609823 0.9742741 0.1237949  1
 4 0.8861246 0.6182120 0.5133090  1

我在这里明确地写了
type=C-classification
，只是为了强调我们想要做分类。
scale=FALSE
意味着我们希望
svm（）
直接使用提供的数据运行，而不使用缩放数据（默认情况下是这样）。我这样做是为了将来的评估变得更简单

不幸的是，
svm_模型
没有存储边界面的方程（或者仅仅是它的法向量），所以我们必须对它进行评估。从中我们知道，我们可以使用以下公式评估此类权重：

w <- t(svm_model$coefs) %*% svm_model$SV

我们使用了
rgl
软件包，您可以旋转此图像并欣赏它：）

我自己刚开始使用R，但是有一个关于在R中使用e1071软件包进行回归而不是分类的不错的教程：


使用测试数据集的zip文件和R脚本：


跳过Tanagra的第一节，直接进入第6节（第14页）。它有它的缺点，但它给出了使用R进行线性回归、SVR与ε回归和nu回归的例子。它还尝试演示tune（）方法（但是可以做得更好，IMHO）

（注意：如果您选择运行那篇文章中的示例，不要费心寻找xlsReadWrite的工作副本——将qsar.xls导出为.csv文件并使用read.csv（）加载数据集要容易得多。）
Um…1响应，1协变量：最佳拟合线。1个响应，2个协变量：最佳拟合平面。1个反应，3个协变量：？@joran：我会说答案是“小倍数”或coplot：假设我们有预测因子（x，y，z）和反应w，在多个子区（z1，z2），（z2，z3）中绘制（x，y，w）分割平面不过也不算微不足道。或者使用动态图形拉格比…我想知道，是谁减少了CodeGuy。即使是10维空间，这个问题也可以是我应该如何想象这个，等等。。此外，还有一些致力于高维可视化的出版物。@joran：考虑到分类环境，这并不奇怪。在二维平面中，可以有被一条线分割的正实例和负实例，因此有1个响应、2个预测值，并且可以根据这些结果是否为负/正（或0/1）结果对点进行着色。对于3个预测器，使用三维空间绘制预测器，可以根据响应对点进行着色或着色。换句话说，响应不需要增加代数维数。@CodeGuy，比如Max，我认为你在做分类，而不是回归。如果情况并非如此，请您将
str（数据）
和
summary（数据）
的输出包括在内。您好，非常感谢。然而，我想做一个回归。你能提供这方面的代码吗？再次感谢你
> svm_model <- svm(cl~x+y+z, t, type='C-classification', kernel='linear',scale=FALSE)

w <- t(svm_model$coefs) %*% svm_model$SV

detalization <- 100                                                                                                                                                                 
grid <- expand.grid(seq(from=min(t$x),to=max(t$x),length.out=detalization),                                                                                                         
                    seq(from=min(t$y),to=max(t$y),length.out=detalization))                                                                                                         
z <- (svm_model$rho- w[1,1]*grid[,1] - w[1,2]*grid[,2]) / w[1,3]

plot3d(grid[,1],grid[,2],z)  # this will draw plane.
# adding of points to the graphics.
points3d(t$x[which(t$cl==-1)], t$y[which(t$cl==-1)], t$z[which(t$cl==-1)], col='red')
points3d(t$x[which(t$cl==1)], t$y[which(t$cl==1)], t$z[which(t$cl==1)], col='blue')