径向 SVM 特征的非线性变换

Question

这是我的问题：

我有一个关于液压系统状况的中型数据集。

数据集由68个变量加上系统条件（绿色、黄色、红色）表示

我必须使用多个分类器来预测系统的行为，因此我将我的数据集分为训练集和测试集并对其进行归一化。

特别是我使用的是 Radial Svm。

我知道生成非线性决策边界背后的想法是我们需要对特征进行一些非线性变换，从而将它们变换到更高维度 space。我们使用内核技巧进行非线性转换。

我写了：

reg_Control = trainControl("repeatedcv", number = 5, repeats=5, verboseIter = T, classProbs =T)
    svmRGrid=expand.grid(sigma=seq(0.00003,0.00009,0.00003),C=seq(0.03,0.06,0.03))

svmRadial = train(Condition ~.,data=training_norm, method="svmRadial", trControl=reg_Control,tuneGrid=svmRGrid)

我的问题是..

如何对特征进行非线性变换以将它们变换到更高维度 space？

我写的够吗？？

（SvmRadial 方法本身是否进行非线性变换？）

我必须与其他分类器进行比较，所以我尝试使用 RadialSvm 的 sigma 和 C 的不同值并面对结果，因此选择性能最佳的分类器，对吗？

用一些代码逐步回答会很有帮助！

谢谢

Answer 1

简单回答这个问题。是的！当您使用 caret 包指定径向内核时，它将为您将数据转换为更高维的子空间。

看看 statexchange 上的这个帖子：https://stats.stackexchange.com/questions/10551/how-do-i-choose-what-svm-kernels-to-use

径向 SVM 特征的非线性变换

Non linear transformation of the feature for Radial Svm

r

svm

r-caret