“svr”的参数调整

Question

我如何将调优函数用于支持向量回归，而不是分类，因为当我尝试使用"svr“作为函数的第一个参数时，它不起作用，并且我找不到一个用于回归的调优示例。这是我使用e1071包执行的代码：

tuneSVR <- tune(svm, 
                train.x = train_[, -which(names(train) %in% c("Identifier", "Sales"))],
                train.y = train$Sales,
                data = train,
                ranges = list(epsilon = seq(0,1,0.1), cost = 2^(seq(0.5,8,.5))))

是不是因为我的问题是回归问题就错了？这些代码行需要很长时间才能执行，这正常吗？如何计算svr的R平方？

Answer 1

在e1071::svm()中，问题类型是从response变量自动推断出来的，但可以使用type参数覆盖。svm的tune()函数及其包装器的行为类似：

library( e1071 )

# Option 1: using the wrapper
tuneSVR1 <- tune.svm( mtcars[,c("drat","wt")], mtcars$mpg )

# Option 2: using the base function
tuneSVR2 <- tune( svm, mpg~drat+wt, data=mtcars )

# In both cases, the methods correctly infer that the task is regression
tuneSVR2$best.model

# Call:
# best.tune(method = svm, train.x = mpg ~ drat + wt, data = mtcars)
# 
# Parameters:
#    SVM-Type:  eps-regression 
#  SVM-Kernel:  radial 
#        cost:  1 
#       gamma:  0.5 
#     epsilon:  0.1 
# 
# Number of Support Vectors:  28

Since R-squared between two vectors is just the square of their Pearson correlation，您可以直接将其计算为

ypred <- predict( tuneSVR2$best.model, mtcars[,c("drat","wt")] )
cor( ypred, mtcars$mpg )^2
# [1] 0.8325807