支持用于计算内部产品的内核。
用法
linearKernel(...)
polynomialKernel(a = NULL, bias = 0, deg = 3, ...)
rbfKernel(gamma = NULL, ...)
sigmoidKernel(gamma = NULL, coef0 = 0, ...)
参数
a
项 (a*<x,y> + b)^d 中 a 的数值。 如果未指定，则使用 (1/(number of features)。
bias
项 (a*<x,y> + b)^d 中 b 的数值。
deg
项 (a*<x,y> + b)^d 中 b 的整数值。
gamma
表达式 tanh(gamma*<x,y> + c 中 gamma 的数值。 如果未指定，则使用 1/(number of features)。
coef0
表达式 tanh(gamma*<x,y> + c 中 c 的数值。
...
传递给 Microsoft ML 计算引擎的其他参数。
详细信息
这些帮助程序函数指定用于相关算法训练的内核。 支持的内核：
linearKernel：线性内核。
rbfKernel：径向基础函数内核。
polynomialKernel：多项式内核。
sigmoidKernel：sigmoid 内核。
值
定义内核的字符串。
作者
Microsoft Corporation Microsoft Technical Support
参考
Estimating the Support of a High-Dimensional Distribution
另请参阅
示例
# 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)