我从原始数据集中删除了 100 条记录，然后使用以下编码重建了 SVM 模型。

现在，我想引入我在训练/测试新模型时留出的那 100 条记录，并检查该模型在识别和分类这 100 条以前从未见过的记录方面的能力。所以我做了以下编码。

但是 R，给了我以下错误：

知道我怎么能克服这个错误吗？用于构建模型的测试集有 466 条记录。因此，我也尝试将验证测试复制到 466，但它仍然给出相同的错误。

我正在尝试提取 R 的 ksvm 包的权重。

通常我使用 e1071 包，权重可以通过

但是，当我查看 ksvm 包时，系数和 alpha（支持向量）都是相同维度的列表。alpha 不返回向量。

我的问题是，我应该如何访问包括零值的支持向量？我是否必须使用 SVindex 将变量对应回原始输入？

谢谢。

我可能在这里犯了一个非常简单（和愚蠢）的错误，但我无法弄清楚。我正在使用来自 Kaggle ( Digit Recognizer ) 的一些数据，并尝试将 SVM 与 Caret 包一起使用来进行一些分类。如果我只是将标签值作为数字类型train插入函数，那么 Caret 中的函数似乎默认为回归并且性能很差。所以我接下来尝试使用函数将其转换为因子factor()并尝试运行 SVM 分类。这是一些代码，我在其中生成了一些虚拟数据，然后将其插入 Caret：

我收到此错误：

有人可以告诉我我做错了什么吗？谢谢！

我使用R 中的kernlabksvm包来预测概率，使用. 但是，我发现有时使用不会产生由 给出的最高概率的类。type="probabilities"predict.ksvmpredict(model,observation,type="r")predict(model,observation,type="p")

例子：

这是正确的行为还是错误？如果这是正确的行为，我如何从概率中估计最可能的类别？

尝试可重现的示例：

结果输出：

我使用 R 中的 kernlab 包中的函数训练支持向量机ksvm，对大量的观察结果（300k）进行训练，但特征不是很多（1-8）。我想使用生成的概率模型，但是对于大型数据集，生成的概率模型具有意外的格式。

这是应该发生的：

但是，对于较大的值n（例如 100k；请注意高内存使用率和长执行时间），值prob.model(m)[[1]]是长度的数值向量2n，似乎是 中每个观察的可能性df。什么可能导致这种情况？

会话信息：

编辑：这是我正在谈论的分类任务，df具有以下形式：

从R 中使用 ksvm 的大型支持向量机的无效概率模型开始：

我正在使用 R 中的 kernlab 包中的 ksvm 训练 SVM。我想使用概率模型，但在 sigmoid 拟合期间，我收到以下错误消息：

发生这种情况时，结果值prob.model(m)是所有概率的向量，而不是拟合在这些概率上的 sigmoid 函数的预期参数。是什么导致了这个错误，我该如何防止它？搜索错误消息没有产生任何结果。

可重现的例子：

我正在尝试使用 R 中 kernlab 包的 ksvm 函数进行 epsilon-SVM 回归。我想将参数 C（正则化常数）和 epsilon（不敏感）作为向量（向量长度 = 训练数据长度）。但我无法弄清楚如何做到这一点。请提出一些方法。

我在为包SVM中的垃圾邮件数据集绘制分类结果时遇到问题kernlab。

代码：

错误：

我有经纬度，所以需要将RBF内核重新定义为exp(-1/2||sophore distrance||^2)，也就是说我需要自己重写一个内核函数。我写我的内核如下：

我测试了这个功能，内核应该是正确的。但是使用以下培训命令，我收到了错误：

更棘手的是，我尝试了 ksvm 文档中的示例代码：

但我得到了同样的错误。

任何人都知道如何正确定义核函数？

我正在对我的数据使用两个不同的包来训练两个 SVM 模型，并得到截然不同的结果。这是可以预料的吗？

使用 e1071 的模型 1

使用插入符号的模型2

calculateAUC()是我定义的一个函数，用于计算 AUC 值，给定目标的预测值和实际值。我将这些值视为：

型号 1 (e1071)

1
0.8567979

模型2（插入符号）

0.9910193
0.758201

这是可能的吗？还是我做错了？

如果有帮助，我可以提供示例数据