kernel : Noyau
Noyaux pris en charge pour une utilisation dans le calcul des produits internes.
Utilisation
linearKernel(...)
polynomialKernel(a = NULL, bias = 0, deg = 3, ...)
rbfKernel(gamma = NULL, ...)
sigmoidKernel(gamma = NULL, coef0 = 0, ...)
Arguments
a
Valeur numérique pour a dans le terme (a*<x,y> + b)^d. En l'absence de spécification, (1/(number of features) est utilisé.
bias
La valeur numérique de b dans le terme (a*<x,y> + b)^d.
deg
La valeur entière de c dans le terme (a*<x,y> + b)^d.
gamma
Valeur numérique pour gamma dans l’expression tanh(gamma*<x,y> + c). En l'absence de spécification, 1/(number of features) est utilisé.
coef0
Valeur numérique pour c dans l’expression tanh(gamma*<x,y> + c).
...
Arguments supplémentaires passés au moteur de calcul Microsoft ML.
Détails
Ces fonctions d’assistance spécifient le noyau utilisé pour l’apprentissage dans les algorithmes appropriés. Les noyaux pris en charge :
linearKernel : noyau linéaire.
rbfKernel : noyau de fonction de base radiale.
polynomialKernel : noyau polynomial.
sigmoidKernel : noyau sigmoïde.
Valeur
Chaîne de caractères définissant le noyau.
Auteur(s)
Microsoft Corporation Microsoft Technical Support
Références
Estimating the Support of a High-Dimensional Distribution
Voir aussi
Exemples
# 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)