kernel: Kernel
Kernels com suporte para uso na computação de produtos internos.
Uso
linearKernel(...)
polynomialKernel(a = NULL, bias = 0, deg = 3, ...)
rbfKernel(gamma = NULL, ...)
sigmoidKernel(gamma = NULL, coef0 = 0, ...)
Argumentos
a
O valor numérico de a no termo (a*<x,y> + b)^d. Se não for especificado, é usado (1/(number of features).
bias
O valor numérico de b no termo (a*<x,y> + b)^d.
deg
O valor inteiro para d no termo (a*<x,y> + b)^d.
gamma
O valor numérico para gama na expressão tanh(gamma*<x,y> + c). Se não for especificado, é usado 1/(number of features).
coef0
O valor numérico para c na expressão tanh(gamma*<x,y> + c).
...
Argumentos adicionais passados para o mecanismo de computação de ML da Microsoft.
Detalhes
Essas funções auxiliares especificam o kernel usado para treinamento em algoritmos relevantes. Os kernels com suporte são:
linearKernel: kernel linear.
rbfKernel: kernel de função de base radial.
polynomialKernel: kernel polinomial.
sigmoidKernel: kernel sigmoide.
Valor
Uma cadeia de caracteres que define o kernel.
Autor(es)
Microsoft Corporation Microsoft Technical Support
Referências
Estimating the Support of a High-Dimensional Distribution
Confira também
Exemplos
# 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)