#(1)支持向量机(SVM):

library(kernlab)

irismodel <- ksvm(Species ~ ., data = iris,              

                     type = "C-bsvc", kernel = "rbfdot",                    

                     kpar = list(sigma = 0.1), C = 10,                    

                     prob.model = TRUE) 

irismodel

predict(irismodel, iris[c(3, 10, 56, 68, 107, 120), -5], type = "probabilities")



#Ksvm支持自定义核函数。如

k <- function(x, y) { (sum(x * y) + 1) * exp(0.001 * sum((x - y)^2)) }

class(k) <- "kernel"

data("promotergene")

gene <- ksvm(Class ~ ., data = promotergene, kernel = k, C = 10, cross = 5)#训练

gene



#对于二分类问题，可以对结果用plot()进行可视化。例子如下

x <- rbind(matrix(rnorm(120), , 2), matrix(rnorm(120, mean = 3), , 2))

y <- matrix(c(rep(1, 60), rep(-1, 60)))

svp <- ksvm(x, y, type = "C-svc", kernel = "rbfdot", kpar = list(sigma = 2))

plot(svp)





library(e1071)

set.seed(1234)

ind<-sample(2,nrow(iris),replace=TRUE,prob=c(0.7,0.3)) #70%为训练集 30%为测试集

train<-iris[ind==1,]

test<-iris[ind==2,]

svm<-svm(train[,1:4],train[,5],type="C-classification",

         cost=10,kernel="radial",probability=TRUE,scale=FALSE)

pred<-predict(svm,test[,1:4],decision.values=TRUE)

table(pred,test[,5])



library(e1071)

model <- svm(Species ~ ., data = iris,            

               method = "C-classification", kernel = "radial",              

               cost = 10, gamma = 0.1)

summary(model)

plot(model, iris, Petal.Width ~

       Petal.Length, slice = list(Sepal.Width = 3,                              

                                  Sepal.Length = 4))

pre=predict(model, iris,type='class') 

table(pre,iris$Species) 



library("klaR")

data("B3")

Bmod <- svmlight(PHASEN ~ ., data = B3,                  

                   svm.options = "-c 10 -t 2 -g 0.1 -v 0")

predict(Bmod, B3[c(4, 9, 30, 60, 80, 120),              

                   -1])



#(2)支持向量回归(SVR): 

library(DMwR) 

library(nnet) 

data(algae) 

algae <- algae[-manyNAs(algae), ] 

clean.algae <- knnImputation(algae[,1:12],k=10) 

norm.data <- scale(clean.algae[,4:12]) #数据标准化 



library(e1071) 

model.svm <- svm(a1~., norm.data) 

preds <- predict(model.svm, norm.data) 

plot(preds~ scale(clean.algae$a1)) 



library(rminer)

set.seed(1234)

svr<-fit(a1~., norm.data, model="svm") 

#利用模型进行预测 

norm.preds <- predict(svr, norm.data) 

#绘制预测值与真实值之间的散点图 

plot(norm.preds~ scale(clean.algae$a1)) 

#计算相对误差 

(nmse2 <- mean((norm.preds-scale(clean.algae$a1))^2)/ 

 mean((mean(scale(clean.algaea1))-scale(clean.algaea1))^2))