我想测试 SVM 在将几个人分类到四个组/类中的表现。在使用 MATLAB 的 svmtrain LibSVM 函数时，我能够获得用于将这些个体分类到四个组中的三个方程，基于这些方程的值。一个方案可能是如下所示：
所有个体 (N)* | 组 1 (n1) <--- 方程 1 ---> (N-n1) | (N-n1-n2) <--- 方程 2 ---> 组 2 (n2) |组 3 (n3) <--- 方程 3 ---> 组 4(n4)*N = n1+n2+n3+n4使用 e1071 R 包中的 svm 函数有办法获得这些方程吗？
回答：
svm 在 e1071 中使用“一对一”策略进行多类分类（即在所有成对之间进行二元分类，然后进行投票）。因此，要处理这种层次结构的设置，您可能需要手动进行一系列的二元分类器，比如组 1 对所有，然后组 2 对剩下的，等等。此外，基本的 svm 函数不调整超参数，因此您通常会希望使用 e1071 中的 tune 包装器，或者优秀的 caret 包中的 train 函数。
无论如何，要在 R 中对新个体进行分类，您不需要手动将数字代入方程中。相反，您可以使用 predict 通用函数，该函数对不同模型如 SVM 有方法。对于这样的模型对象，您通常还可以使用通用函数 plot 和 summary。以下是使用线性 SVM 的基本思路的示例：
require(e1071)# 将 iris 数据集子集化为仅包含 2 个标签和 2 个特征iris.part = subset(iris, Species != 'setosa')iris.part$Species = factor(iris.part$Species)iris.part = iris.part[, c(1,2,5)]# 拟合 svm 模型fit = svm(Species ~ ., data=iris.part, type='C-classification', kernel='linear')# 绘制模型图dev.new(width=5, height=5)plot(fit, iris.part)# 表格化实际标签与拟合标签pred = predict(fit, iris.part)table(Actual=iris.part$Species, Fitted=pred)# 获得特征权重w = t(fit$coefs) %*% fit$SV# 手动计算决策值iris.scaled = scale(iris.part[,-3], fit$x.scale[[1]], fit$x.scale[[2]]) t(w %*% t(as.matrix(iris.scaled))) - fit$rho# 应该等于...fit$decision.values
表格化实际类别标签与模型预测：
> table(Actual=iris.part$Species, Fitted=pred) FittedActual versicolor virginica versicolor 38 12 virginica 15 35从 svm 模型对象中提取特征权重（用于特征选择等）。这里，Sepal.Length 显然更有用。
> t(fit$coefs) %*% fit$SV Sepal.Length Sepal.Width[1,] -1.060146 -0.2664518为了理解决策值的来源，我们可以手动计算它们，作为特征权重与预处理特征向量的点积，减去截距偏移 rho。（预处理意味着可能进行了中心化/缩放和/或如果使用 RBF SVM 等进行核变换。）
> t(w %*% t(as.matrix(iris.scaled))) - fit$rho [,1]51 -1.399706652 -0.440225453 -1.159681954 1.719997055 -0.279694256 0.9996141...这应该等于内部计算的结果：
> head(fit$decision.values) versicolor/virginica51 -1.399706652 -0.440225453 -1.159681954 1.719997055 -0.279694256 0.9996141...