如何在 R 中绘制和分析多变量 SVM 回归
How to plot and analyze multi variable SVM regression in R
我是 R 的新手，在绘制 svm 模型时遇到了一些问题。
1）我们如何绘制和分析多变量 SVM 回归模型结果。
library(e1071)
set.seed(3)
data = data.frame(matrix(rnorm(100*5), nrow=100))
train=data[1:70,]
test=data[71:100,]
fit = svm(X1 ~ ., data=train)
summary(fit)
pred=predict(fit,test)
2）假设其中一个变量（例如：X2）包含定性数据（例如：高，低和中）而不是定量数据，那么我们应该如何绘制
简而言之：你不能。无法可视化超过 3 维的对象。
你可以做的是处理一些简化、近似等。你经常可视化模型的特征而不是模型本身。例如，可能会绘制：
- 误差度量（如 R2）与某些超参数（正则化强度、内核宽度、训练集大小等）之间的关系
- 找到数据集的两个最重要的维度，并将您的模型绘制为仅在这两个维度之上的 3d 表面
- 如果你的维度不是很高，你可以做 pairplots，所以可视化每对维度 -> 因为它需要
d(d-1)/2 个图，因此对于 d=5 它只是 10 个图。
- 许多其他重要特征从您的实验的角度来看
我是 R 的新手，在绘制 svm 模型时遇到了一些问题。 1）我们如何绘制和分析多变量 SVM 回归模型结果。
library(e1071)
set.seed(3)
data = data.frame(matrix(rnorm(100*5), nrow=100))
train=data[1:70,]
test=data[71:100,]
fit = svm(X1 ~ ., data=train)
summary(fit)
pred=predict(fit,test)
2）假设其中一个变量（例如：X2）包含定性数据（例如：高，低和中）而不是定量数据，那么我们应该如何绘制
简而言之：你不能。无法可视化超过 3 维的对象。
你可以做的是处理一些简化、近似等。你经常可视化模型的特征而不是模型本身。例如，可能会绘制：
- 误差度量（如 R2）与某些超参数（正则化强度、内核宽度、训练集大小等）之间的关系
- 找到数据集的两个最重要的维度，并将您的模型绘制为仅在这两个维度之上的 3d 表面
- 如果你的维度不是很高，你可以做 pairplots，所以可视化每对维度 -> 因为它需要
d(d-1)/2个图，因此对于 d=5 它只是 10 个图。 - 许多其他重要特征从您的实验的角度来看