核心：Kernel

支援用於計算內部產品的核心。

使用方式

  linearKernel(...)

  polynomialKernel(a = NULL, bias = 0, deg = 3, ...)

  rbfKernel(gamma = NULL, ...)

  sigmoidKernel(gamma = NULL, coef0 = 0, ...)

引數

a

字詞 (a*<x,y> + b)^d 中 a 的數值。 如果未指定，就會使用 (1/(number of features)。

bias

字詞 (a*<x,y> + b)^d 中 b 的數值。

deg

字詞 (a*<x,y> + b)^d 中 d 的整數值。

gamma

運算式 tanh(gamma*<x,y> + c) 中 gamma 的數值。 如果未指定，就會使用 1/(number of features)。

coef0

運算式 tanh(gamma*<x,y> + c) 中 c 的數值。

...

傳遞至 Microsoft ML 計算引擎的其他引數。

詳細資料

這些協助程式函數會指定用於訓練相關演算法的核心。 支援的核心：

linearKernel：線性核心。

rbfKernel：放射狀基礎函數核心。

polynomialKernel：多項式核心。

sigmoidKernel：sigmoid 核心。

值

定義核心的字元字串。

作者

Microsoft Corporation Microsoft Technical Support

參考資料

Estimating the Support of a High-Dimensional Distribution

New Support Vector Algorithms

另請參閱

rxOneClassSvm

範例

 # Simulate some simple data
 set.seed(7)
 numRows <- 200
 normalData <- data.frame(day = 1:numRows)
 normalData$pageViews = runif(numRows, min = 10, max = 1000) + .5 * normalData$day
 testData <- data.frame(day = 1:numRows)
 # The test data has outliers above 1000
 testData$pageViews = runif(numRows, min = 10, max = 1400) + .5 * testData$day

 train <- function(kernelFunction, args=NULL) {
     model <- rxOneClassSvm(formula = ~pageViews + day, data = normalData,
     kernel = kernelFunction(args))
     scores <- rxPredict(model, data = testData, writeModelVars = TRUE)
     scores$groups = scores$Score > 0
     scores
 }
 display <- function(scores) {
     print(sum(scores$groups))
     rxLinePlot(pageViews ~ day, data = scores, groups = groups, type = "p",
      symbolColors = c("red", "blue"))
 }
 scores <- list()
 scores$rbfKernel <- train(rbfKernel)
 scores$linearKernel <- train(linearKernel)
 scores$polynomialKernel <- train(polynomialKernel, (a = .2))
 scores$sigmoidKernel <- train(sigmoidKernel)
 display(scores$rbfKernel)
 display(scores$linearKernel)
 display(scores$polynomialKernel)
 display(scores$sigmoidKernel)