描述：
- 对于一个数据集，我想使用径向基函数（
RBF）核函数和Weston, Watkins 原生多类方法应用SVM分类。 - 必须调整rbf核函数参数
sigma，我想使用k折交叉验证来完成这一步。我考虑固定C的值。
解决方案：
似乎我可以使用mlr这个很棒的包来完成！所以，要为MSVM分类使用CV来调整rbf参数sigma，（使用这个教程）
#当C固定为3时，定义一个范围来搜索sigma。搜索范围为[10^{-6}, 10^{6}]num_ps = makeParamSet( makeDiscreteParam("C", values = 3), makeNumericParam("sigma", lower = -6, upper = 6, trafo = function(x) 10^x))#定义网格搜索方法ctrl = makeTuneControlGrid()#应用k折交叉验证rdesc = makeResampleDesc("CV", iters = 3L)res = tuneParams("classif.ksvm", task = iris.task, resampling = rdesc, par.set = num_ps, control = ctrl)问题：
对于这一部分
res = tuneParams("classif.ksvm", task = iris.task, resampling = rdesc, par.set = num_ps, control = ctrl)根据文档，使用集成的学习器classif.ksvm，我请求应用在包ksvm中定义的多类分类方法。
我如何知道使用了哪种方法和核类型？我是说，如何强制学习器classif.ksvm使用ksvm中已经定义的分类类型（kbb-svc）和核函数（rbfdot）？
如果这不可能，那么如何定义一个符合所有我要求的新学习器？
回答：
你必须在学习器中设置固定的参数。因此，你首先需要创建它：
library(mlr)lrn = makeLearner("classif.ksvm", par.vals = list(C = 3, type = "kbb-svc", kernel = "rbfdot"))然后你只需在ParamSet中定义你想要更改的参数
num_ps = makeParamSet( makeNumericParam("sigma", lower = -6, upper = 6, trafo = function(x) 10^x))然后你可以像在你的例子中一样进行调优
ctrl = makeTuneControlGrid()rdesc = makeResampleDesc("CV", iters = 3L)res = tuneParams(lrn, task = iris.task, resampling = rdesc, par.set = num_ps, control = ctrl)