问题标签 [kernlab]

我kernlab在回归问题中测试包。将对象'Error in .local(object, ...) : test vector does not match model !传递给函数时，这似乎是一个常见问题。但是，我刚刚找到了不适用于我的问题的分类问题或自定义内核的答案（我正在使用内置的回归）。我的想法在这里用完了，我的示例代码是：ksvmpredict

我正在尝试在库（kernlab）中使用 SVM 创建一个 2D 图，但似乎 plot 函数仅适用于二进制分类。我希望能够绘制 3 个（或更多）组，如下例所示。

我的数据的结构就像虹膜数据一样，所以我将用它来说明。

拟合模型后：

我使用 ksvm 的绘图功能：

并收到以下消息：

当我尝试使用双向分类进行类似分析时，会生成图。所以，我认为问题在于多个群体。谁能想到一种方法来创建类似于下面的二维“热图”，但使用具有三个（或更多？）类的 SVM 分类模型？

我错过了一些明显的东西吗？这工作正常：

返回：

但是这些都不起作用，它们什么都不返回：

我正在使用 kernlab_0.9-19（最新）。

我正在尝试使用 R kernlab 包中的一类 svm 检测异常值并作为概率输出。导入数据和模型构建过程似乎都很好，但是当我尝试通过指定 type="probabilities" 来预测模型时，它给了我“ksvm 对象不包含概率模型”错误。我使用的是 3.1.0 版本，这是我的代码。

它给出了以下内容：

如上所示，我已经为 ksvm 函数设置了 prob.model = TRUE 并且在那个阶段没有收到任何错误，直到我尝试预测新数据。我也尝试过 e1071 包，但得到了类似的错误。只是想知道一类 svm 是否允许概率选项？如果没有，是否有任何解决方法或者其他流行软件（例如，RapidMiner）是否支持它？

我试图通过使用记录在案的应用函数来避免循环，但无法找到任何适合我目的的示例。我有两个向量，x是 (1 xp) 和y是 (1 xq) 并且想将它们的参数的笛卡尔积输入到一个函数中，这是一个简约的例子：

我意识到我可以在一个维度上使用应用函数并在另一个维度上使用循环，但我觉得必须有一种方法可以一步完成......有什么想法吗？

这是为可变长度因子序列分类定义合适内核的最佳方法。我正在使用带有 R 的内核实验室。

谢谢！

我有一个尺寸为 942*50 的矩阵 X。我想用高斯 RBF 内核创建一个亲和矩阵。即，对于 X 矩阵中的每一对行，我想计算 exp(-sigma*norm(x_i-x_j)^2) 其中 x_i 和 x_j 是 X 矩阵的行，并且 i,j 从 1:nrow( X）。我正在用 R 编写代码。下面的 R 代码会引发错误：

我收到以下错误：外部错误（行，列，乐趣 = 乐趣）：暗淡 [产品 887364] 与对象的长度不匹配 [2500]

我观察到 kernlab 使用 rbfkernel 作为，

但是根据这个wiki链接，rbf内核应该是这样的

这也更直观，因为两个具有较大核 sigma 值的紧密样本将导致更高的相似度匹配。

我不确定是什么e1071 svm用途（本机代码 libsvm？）

我希望有人能告诉我为什么会有区别？我发现了这一点，因为我最初使用e1071但切换到ksvm但看到两者的结果不一致。一个比较小的例子

我希望内核值接近 1（因为 x,y 来自 sigma=1，而内核 sigma=100）。这仅在第二种情况下观察到。

根据 kernlab 文档中的示例， plot 很好地描绘了 SVM 模型的决策权重和边界。

但是，我想更改背景渐变的默认颜色。任何建议如何做到这一点？我已经研究过编辑（绘图），但对通用函数不太满意，不知道要改变什么。谢谢！