kernel: Kernel
Kernels admitidos para su uso en el cálculo de productos internos.
Uso
linearKernel(...)
polynomialKernel(a = NULL, bias = 0, deg = 3, ...)
rbfKernel(gamma = NULL, ...)
sigmoidKernel(gamma = NULL, coef0 = 0, ...)
Argumentos
a
El valor numérico de "a" en el término (a*<x,y> + b)^d. Si no se especifica, se utiliza (1/(number of features).
bias
El valor numérico de "b" en el término (a*<x,y> + b)^d.
deg
El valor numérico de "d" en el término (a*<x,y> + b)^d.
gamma
El valor numérico de gamma en la expresión tanh(gamma*<x,y> + c). Si no se especifica, se utiliza 1/(number of features).
coef0
El valor numérico de "c" en la expresión tanh(gamma*<x,y> + c).
...
Argumentos adicionales pasados al motor de proceso de Microsoft ML.
Detalles
Estas funciones auxiliares especifican el kernel que se usa para el entrenamiento en algoritmos pertinentes. Los kernels que se admiten:
linearKernel: kernel lineal.
rbfKernel: kernel de función de base radial.
polynomialKernel: kernel polinómico.
sigmoidKernel: kernel sigmoide.
Value
Cadena de caracteres que define el kernel.
Autores
Microsoft Corporation Microsoft Technical Support
Referencias
Estimating the Support of a High-Dimensional Distribution
Consulte también
Ejemplos
# Simulate some simple data
set.seed(7)
numRows <- 200
normalData <- data.frame(day = 1:numRows)
normalData$pageViews = runif(numRows, min = 10, max = 1000) + .5 * normalData$day
testData <- data.frame(day = 1:numRows)
# The test data has outliers above 1000
testData$pageViews = runif(numRows, min = 10, max = 1400) + .5 * testData$day
train <- function(kernelFunction, args=NULL) {
model <- rxOneClassSvm(formula = ~pageViews + day, data = normalData,
kernel = kernelFunction(args))
scores <- rxPredict(model, data = testData, writeModelVars = TRUE)
scores$groups = scores$Score > 0
scores
}
display <- function(scores) {
print(sum(scores$groups))
rxLinePlot(pageViews ~ day, data = scores, groups = groups, type = "p",
symbolColors = c("red", "blue"))
}
scores <- list()
scores$rbfKernel <- train(rbfKernel)
scores$linearKernel <- train(linearKernel)
scores$polynomialKernel <- train(polynomialKernel, (a = .2))
scores$sigmoidKernel <- train(sigmoidKernel)
display(scores$rbfKernel)
display(scores$linearKernel)
display(scores$polynomialKernel)
display(scores$sigmoidKernel)