R語言基于支持向量機訓練模型實現類預測

前面介紹了基于訓練集訓練SVM的方法。通過訓練，算法能找到使間隔區間最大化的最優平面來分割訓練數據集，得到SVM模型能夠被用來預測新到樣例的類別。

準備
使用之前構建的churn構建的model.
操作
利用已構建的SVM模型和測試數據集的屬性預測它的模型
svm.pred = predict(model,testset[,!names(testset) %in% c("churn")])
svm.table = table(svm.pred,testset$churn)
svm.table

svm.pred yes  no
     yes  70  12
     no   71 865
調用classAgreement計算分類一致性

classAgreement(svm.table)
$diag
[1] 0.9184676

$kappa
[1] 0.5855903

$rand
[1] 0.850083

$crand
[1] 0.5260472
調用confusionMatrix基于分類表評測預測性能

library(lattice)
library(ggplot2)
library(caret)
confusionMatrix(svm.table)
Confusion Matrix and Statistics


svm.pred yes  no
     yes  70  12
     no   71 865

               Accuracy : 0.9185          
                 95% CI : (0.8999, 0.9345)
    No Information Rate : 0.8615          
    P-Value [Acc > NIR] : 1.251e-08       

                  Kappa : 0.5856          
 Mcnemar's Test P-Value : 1.936e-10       

            Sensitivity : 0.49645         
            Specificity : 0.98632         
         Pos Pred Value : 0.85366         
         Neg Pred Value : 0.92415         
             Prevalence : 0.13851         
         Detection Rate : 0.06876         
   Detection Prevalence : 0.08055         
      Balanced Accuracy : 0.74139         

       'Positive' Class : yes             
說明

本節首先調用predict函數獲得測試數據集的預測模型，然后用table函數產生測試數據集的分類表，接下來的性能評測過程與前述章節其他方法其他分類方法的評測類似。
引入了一個新的函數classAgreement用來計算一個二維列聯表行列之間多種一致性關系數。
diag系數為分類表主對角性上數據點的百分比，kappa系數是對diag系數隨機一致性的修正，rand代表聚類評價指標（rand index），主要用來橫量兩個聚簇之間的相似性，crand系數是出現元素隨機分類情況對Rand index 修正結果。
SVM回歸分析

還可以使用SVM預測連續變量，也就是使用SVM實現回歸分析。在接下來的樣例中，我們使用名為eps-regression模型說明如何使用SVM執行回歸分析。
使用Quartet數據集來訓練一個支持向量機：

library(car)
data(Quartet)
model.regression = svm(Quartet$y1~Quartet$x,type = "eps-regression")

使用predict函數得到預測結果

predict.y = predict(model.regression,Quartet$x)
predict.y

調用plot繪圖函數，預測值用正方形，訓練數據用圓形：

plot(Quartet$x,Quartet$y1,pch = 19)
points(Quartet$x,predict.y,pch = 15,col = "red")