Fatal编程技术网
  • r/
  • 支持向量机特征选择在R

支持向量机特征选择在R

r machine-learning

支持向量机特征选择在R,r,machine-learning,weka,svm,feature-selection,R,Machine Learning,Weka,Svm,Feature Selection,我正在尝试使用R包在SVM中应用特征选择（例如递归特征选择）。我已经在LibSVM中安装了支持特征选择的Weka，但是我还没有找到任何支持向量机语法或类似的例子。举个简单的例子会很有帮助。在caret包中的函数rfe对各种算法执行递归特征选择。下面是插入符号中的一个示例： 库（插入符号） 数据（血脑，package=“插入符号”） x这里的size=c（2,5,10,20）是什么？这是否意味着功能2、10和20？不，这是将要使用的功能的数量。rfe将尝试找到该向量中给出的每种尺寸的最佳模型。有关

我正在尝试使用R包在SVM中应用特征选择（例如递归特征选择）。我已经在LibSVM中安装了支持特征选择的Weka，但是我还没有找到任何支持向量机语法或类似的例子。举个简单的例子会很有帮助。

在
caret
包中的函数
rfe
对各种算法执行递归特征选择。下面是插入符号中的一个示例：

库（插入符号）
数据（血脑，package=“插入符号”）

x这里的
size=c（2,5,10,20）
是什么？这是否意味着功能2、10和20？不，这是将要使用的功能的数量。rfe将尝试找到该向量中给出的每种尺寸的最佳模型。有关详细信息，请查看rfe文档。@DavidMarx感谢您的解释。
rfe（）
函数调用中
number=200
的含义是什么？

library(caret)
data(BloodBrain, package="caret")
x <- scale(bbbDescr[,-nearZeroVar(bbbDescr)])
x <- x[, -findCorrelation(cor(x), .8)]
x <- as.data.frame(x)
svmProfile <- rfe(x, logBBB,
                  sizes = c(2, 5, 10, 20),
                  rfeControl = rfeControl(functions = caretFuncs,
                                          number = 200),
                  ## pass options to train()
                  method = "svmRadial")

# Here's what your results look like (this can take some time)
> svmProfile

Recursive feature selection

Outer resampling method: Bootstrap (200 reps) 

Resampling performance over subset size:

  Variables   RMSE Rsquared  RMSESD RsquaredSD Selected
2 0.6106   0.4013 0.05581    0.08162         
5 0.5689   0.4777 0.05305    0.07665         
10 0.5510   0.5086 0.05253    0.07222         
20 0.5203   0.5628 0.04892    0.06721         
71 0.5202   0.5630 0.04911    0.06703        *

  The top 5 variables (out of 71):
  fpsa3, tcsa, prx, tcpa, most_positive_charge