predict.svm不预测新数据

不幸的是，我在以下简单示例中使用predict（）时遇到问题：

library(e1071)

x <- c(1:10)
y <- c(0,0,0,0,1,0,1,1,1,1)
test <- c(11:15)

mod <- svm(y ~ x, kernel = "linear", gamma = 1, cost = 2, type="C-classification")

predict(mod, newdata = test)

库（e1071）
x您需要新数据具有相同的形式，即使用data.frame帮助：

R> library(e1071)
Loading required package: class
R> df <- data.frame(x=1:10, y=sample(c(0,1), 10, rep=TRUE))
R> mod <- svm(y ~ x, kernel = "linear", gamma = 1, 
+             cost = 2, type="C-classification", data=df)
R> newdf <- data.frame(x=11:15)
R> predict(mod, newdata=newdf)
1 2 3 4 5
0 0 0 0 0
Levels: 0 1
R>

总之，使用公式接口并提供data.frame——这就是R中所有建模函数的基本工作原理。
看起来这是因为您将公式接口误用到了
svm（）
。通常，用户提供一个数据框或类似对象，在其中搜索公式中的变量。如果您不这样做，即使这不是最佳实践，通常也无关紧要，但是当您想要预测时，不将变量放入数据框会让您陷入一片混乱。它返回训练数据的原因是，您没有提供包含名为
x
的组件的
newdata
对象。因此，它无法找到新数据
x
，因此返回拟合值。这在我所知道的大多数R
predict
方法中都很常见

然后，解决方案是i）将训练数据放在数据框中，并将
svm
作为
data
参数传递，ii）提供一个包含
x
（从
test
）的新数据框，以
predict（）
。例如：

> DF <- data.frame(x = x, y = y)
> mod <- svm(y ~ x, data = DF, kernel = "linear", gamma = 1, cost = 2,
+ type="C-classification")
> predict(mod, newdata = data.frame(x = test))
1 2 3 4 5 
1 1 1 1 1 
Levels: 0 1

DF mod predict（mod，newdata=data.frame（x=test））
1 2 3 4 5 
1 1 1 1 1 
级别：0 1

ps：使用测试非常感谢，你救了我一天！为什么要为线性svm定义gamma参数？这是e1071中线性支持向量机的标准实践吗？我只见过那些使用RBF支持向量机的人。我会去找我的时间机器，问我年轻的自己为什么我在九年前写了这篇文章，但从上下文来看，我只是引用了帮助页面，在这段时间里，它可能会改变，也可能不会改变。我不知道这是九年前的事。对不起。我看到用户也使用gamma。我只是好奇，因为我的问题是，为什么我们一般要为线性svm定义gamma。

 ## density-estimation

 # create 2-dim. normal with rho=0:
 X <- data.frame(a = rnorm(1000), b = rnorm(1000))
 attach(X)

 # traditional way:
 m <- svm(X, gamma = 0.1)

 # formula interface:
 m <- svm(~., data = X, gamma = 0.1)
 # or:
 m <- svm(~ a + b, gamma = 0.1)

 # test:
 newdata <- data.frame(a = c(0, 4), b = c(0, 4))
 predict (m, newdata)

> DF <- data.frame(x = x, y = y)
> mod <- svm(y ~ x, data = DF, kernel = "linear", gamma = 1, cost = 2,
+ type="C-classification")
> predict(mod, newdata = data.frame(x = test))
1 2 3 4 5 
1 1 1 1 1 
Levels: 0 1