install.packages("e1071") # 下载安装e1071软件包
library(e1071) # 加载e1071软件包
###第一种格式建立模型
data(iris) # 获取数据集iris
model=svm(Species~.,data=iris) # 建立svm模型
###第二种格式建立模型
x=iris[,-5] # 提取iris数据中除第5列以外的数据作为特征变量
y=iris[,5] # 提取iris数据中的第5列数据作为结果变量
model=svm(x,y,kernel ="radial",gamma =if(is.vector(x)) 1 else 1/ncol(x)) # 建立svm模型
###对模型进行预测
x=iris[,1:4] # 确认需要进行预测的样本特征矩阵
pred=predict(model,x) # 根据模型model对x数据进行预测
pred[sample(1:150,8)] # 随机挑选8个预测结果进行展示
table(pred,y) # 模型预测精度展示
###实际建模过程中完整操作
attach(iris) # 将数据iris按列单独确认为向量
x=subset(iris,select=-Species) # 确定特征变量为数据iris中除去Species的其他项
y=Species # 确定结果变量为数据iris中的Species项
type=c("C-classification","nu-classification","one-classification")# 确定将要适用的分类方式
kernel=c("linear","polynomial","radial","sigmoid") #确定将要适用的核函数
pred=array(0,dim=c(150,3,4)) #初始化预测结果矩阵的三维长度分别为150，3，4
accuracy=matrix(0,3,4) #初始化模型精准度矩阵的两维分别为3，4
yy=as.integer(y) #为方便模型精度计算，将结果变量数量化为1，2，3
for(i in 1:3) #确认i影响的维度代表分类方式
{
for(j in 1:4) #确认j影响的维度代表核函数
{
pred[,i,j]=predict(svm(x,y,type=type[i],kernel=kernel[j]),x) #对每一模型进行预测
if(i>2)
{
accuracy[i,j]=sum(pred[,i,j]!=1)
}
else
{
accuracy[i,j]=sum(pred[,i,j]!=yy)
}
}
}
dimnames(accuracy)=list(type,kernel) #确定模型精度变量的列名和行名
table(pred[,1,3],y) # 模型预测精度展示
###模型可视化
plot(cmdscale(dist(iris[,-5])),col=c("lightgray","black","gray")[as.integer(iris[,5])],pch= c("o","+")[1:150 %in% model$index + 1]) # 绘制模型分类散点图
legend(2,-0.8,c("setosa","versicolor","virginica"),col=c("lightgray","black","gray"),lty=1) # 标记图例
data(iris) #读入数据iris
model=svm(Species~., data = iris) #利用公式格式建立模型
plot(model,iris,Petal.Width~Petal.Length,fill=FALSE,symbolPalette=c("lightgray","black","grey"),svSymbol="+")
#绘制模型类别关于花萼宽度和长度的分类情况
legend(1,2.5,c("setosa","versicolor","virginica"),col=c("lightgray","black","gray"),lty=1) #标记图例
###模型进一步优化
wts=c(1,1,1) # 确定模型各个类别的比重为1：1：1
names(wts)=c("setosa","versicolor","virginica") #确定各个比重对应的类别
model1=svm(x,y,class.weights=wts) #建立模型
wts=c(1,100,100) # 确定模型各个类别的比重为1：100：100
names(wts)=c("setosa","versicolor","virginica") #确定各个比重对应的类别
model2=svm(x,y,class.weights=wts) #建立模型
pred2=predict(model2,x) #根据模型进行预测
table(pred2,y) #展示预测结果
wts=c(1,500,500) # 确定模型各个类别的比重为1：500：500
names(wts)=c("setosa","versicolor","virginica") #确定各个比重对应的类别
model3=svm(x,y,class.weights=wts) #建立模型
pred3=predict(model3,x) #根据模型进行预测
table(pred3,y) #展示预测结果
