Condividi tramite


kernel: Kernel

Kernel supportati per il calcolo di prodotti interni.

Utilizzo

  linearKernel(...)

  polynomialKernel(a = NULL, bias = 0, deg = 3, ...)

  rbfKernel(gamma = NULL, ...)

  sigmoidKernel(gamma = NULL, coef0 = 0, ...)

Arguments

a

Valore numerico per a nel termine (a*<x,y> + b)^d. Se omesso, viene utilizzato (1/(number of features).

bias

Valore numerico per b nel termine (a*<x,y> + b)^d.

deg

Valore integer per d nel termine (a*<x,y> + b)^d.

gamma

Valore numerico per gamma nell'espressione tanh(gamma*<x,y> + c). Se omesso, viene utilizzato 1/(number of features).

coef0

Valore numerico per c nell'espressione tanh(gamma*<x,y> + c).

...

Argomenti aggiuntivi passati al motore di calcolo Microsoft ML.

Dettagli

Queste funzioni helper specificano il kernel usato per il training negli algoritmi pertinenti. I kernel supportati sono:

linearKernel: kernel lineare.

rbfKernel: kernel della funzione di base radiale.

polynomialKernel: kernel polinominale.

sigmoidKernel: kernel sigmoid.

Valore

Stringa di caratteri che definisce il kernel.

Autore/i

Microsoft Corporation Microsoft Technical Support

Riferimenti

Estimating the Support of a High-Dimensional Distribution

New Support Vector Algorithms

Vedi anche

rxOneClassSvm

Esempi


 # 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)