问题标签 [kernlab]

我正在尝试对数据拆分（训练集、验证集和测试集）进行分配，以找到最合适的分类器——在本例中为 k，因为我使用的是 k-最近邻（kknn 函数，kernlab 的一部分）包裹）。但是，当我使用下面的初始代码来随机化数据拆分过程并运行 for 循环以确定最准确的 k 值时，每次运行循环时都没有得到一致的 k 值。数字到处都是。我是否正确分区了我的数据？我在上一篇文章中因为没有生成最小可重现示例 (MRE) 而得到纠正，所以这是我尝试提供 MRE 代码的尝试：

在将我的 unlist() 函数应用于列表以获得矩阵后，我使用 which() 和 max() 函数以最大精度确定 k 值。每次循环运行时，我都会得到各种不同的 k 值，每个值都与循环的前一次运行不同。当我为我的测试集（data_test）应用相同类型的循环时，我遇到了同样的问题。谁能帮我找到一个解决方案，以磨练特定或一组特定一致的 k 值？

我似乎在使用 ksvm 函数时遇到了错误。每次我尝试运行以下代码时，我都会收到一条错误消息

我问过同事，但似乎没有人能够复制这一点（无论出于何种原因）。任何援助将不胜感激。请看下面的代码：

注意：我已经尝试过使用 as.matrix。我犯了同样的错误

我试图在我的测试数据集 test_k 中获得每个观察的概率。我正在使用预先计算的内核矩阵和 C 分类。“C-svc”应该让我得到一个概率模型。但是，我收到以下错误代码：错误：$ 运算符对原子向量无效。为什么？为什么源代码需要 oldco != newncols？源代码中的对象不是我的ksvm.model吗？

它在这里工作？他在那里做什么 iris[c(3, 10, 56, 68,107, 120), -5]？，为什么需要这个？

我有一个 2043 小时的时间序列。我的目标是通过高斯过程回归 (GPR) 模型训练和测试预测模型，包括其不确定性估计。我在应用 R 包caret + kernlab::train( )模型的联合的准时预测方面取得了很好的结果。我如何使用这些 R 包估计它的预测区间？

我的 .csv 数据可通过三个 Dropbox 链接获得：

训练数据

测试数据

完整的时间序列data.frame（时间、训练和测试数据）

目的是使用“ST3”和“ST4_lag1”回归量预测“ST4_lead1”。它们是我们在 data.frames 上的列。

从现在开始，我将展示我的代码。第一个窗口代码对我们双方都是通用的。您可以完全运行它。

我们已经完成了常见的培训和测试过程以及获得测试结果。

在第二个窗口代码中，我们将从预测对象中提取一些测试结果。顺便说一句，我希望预测会为我们带来所需的预测间隔，我需要帮助。

它为我们带来了测试结果图，如下所示。实线是观察到的数据，而红点是预测的估计值。

最后，在第三个窗口代码中，我们只计算回归的指标：

如我们所见，对于训练过程，R² = 0.76 和 MAE = 1.06；而对于测试对象，R² = 0.80 和 MAE = 1.36。这些对我们来说已经足够好了。

在 GPR 中，预测倒数基于每个预测点周围的高斯分布，由Rasmussen 和 Williams (2006)提供。我曾通过其他三种方式尝试过 GPR：仅使用kernlab::train( )、tgp::bgp( )和gplmr::train( )。这最后一个是由duckmayr亲切地建议的。对于所有这些，我找到了预测区间。然而，“ caret + kernlab::train() ”的联合使用（如我的代码所示）返回了更好的准时预测。我不知道为什么。

正如我在第一个和第二个窗口代码之间提到的，我可能期望从“预测”对象中，我们可以从每个预测点提取平均数据并添加（或减去）其标准偏差的 2 倍，允许y = average + - 2*标准差。但是，我不知道如何提取这个平均值，甚至是每个预测点的标准偏差。

简而言之，如何使用 caret + kernlab 包的联合使用来获得高斯过程回归的预测区间？

我知道我可以在 R 中进行并行计算，但是我无法以与我的建模方法配合使用的方式对其进行设置。

这是我设置负载/设置并行计算的方式

稍后在我的降价书中，我有以下代码来创建、调整和拟合使用多项式内核的支持向量机的工作流。

我的问题是如何为以下内容启用并行计算？

对于一个范围，我想确定分布变化发生在哪里以及该值在哪里是最大值。目前，我正在对范围内的每个值使用内核最大差异测试，并在该值之前和之后取 200 个值，然后提取 mmd 统计信息最大的位置。但这在 R 中计算的计算量非常大。请注意，我使用的是 kernlab 来计算 kmmd。我想知道是否有办法更快地做到这一点？或者如果您有任何建议。任何帮助，将不胜感激。

我的代码是：

我正在测试不同数据集大小对 SVM 分类器准确性的影响。我正在使用 tidymodelssvm_rbf和kernlab。当数据集集达到 5 级时，我maximum iterations reached在大约一半的运行中收到消息，然后这将变成 4-2 之间的所有消息。这些是我的数据集大小：

这是调整每个级别 100 次的输出：

不幸的是，这不是我可以提供可重现示例的东西，但这是我正在使用的代码：

我的问题是；达到最大迭代次数的事实是否是分类的原因，基本上称所有内容为“否”？还是可能有其他原因？

不管怎样，有什么办法可以解决？

我想使用库中的ksvm函数执行样本分类kernlab。

if ((type(ret) == "C-svc" || type(ret) == "nu-svc" || type(ret) == : 需要 TRUE/FALSE 的缺失值另外：警告消息: In .local(x, ...) : 强制引入的 NA

我看过一些与我有类似问题的帖子。与其他帖子不同，我的帖子带有重现错误的代表。我一直在使用 kernlab 生成带有拉普拉斯内核的最小二乘 SVM 模型。因变量是二元的，所有自变量都是分类的。我可以拟合模型，lssvm并且可以用来predict为所有数据生成预测。但是，如果我尝试仅预测数据的一个子集，例如，使用head. 任何帮助将不胜感激。

重复：

^{由reprex 包于 2021-08-16 创建 (v2.0.0 )}

我正在尝试使用该kernlab软件包优化 mlr3 生态系统中的 SVR 模型，但出现以下错误：

只有满足以下条件'type <U+2208> {eps-svr, eps-bsvr}'时才能设置参数'C'。相反，当前参数值为：type=nu-svr。

我发现成本参数 C 无法针对“nu-svr”类型进行优化，这很奇怪。

这是我的代码的一部分：