prédire.svm ne permet pas de prévoir de nouvelles données

malheureusement j'ai des problèmes avec predict() dans l'exemple simple suivant:

library(e1071)

x <- c(1:10)
y <- c(0,0,0,0,1,0,1,1,1,1)
test <- c(11:15)

mod <- svm(y ~ x, kernel = "linear", gamma = 1, cost = 2, type="C-classification")

predict(mod, newdata = test)

Le résultat est comme suit:

> predict(mod, newdata = test)
   1    2    3    4 <NA> <NA> <NA> <NA> <NA> <NA> 
   0    0    0    0    0    1    1    1    1    1

Quelqu'un peut-il expliquer pourquoi prévoir() ne donne que les valeurs ajustées de la formation de l'échantillon (x,y) et ne se soucie pas de test sur les données?

Merci beaucoup pour votre aide!

Richard

ps: à l'aide de test <- c(11:25) donne "Erreur dans les noms(ret2) <- rowns : "noms" de l'attribut [15] doit être de la même longueur que le vecteur [10]"

OriginalL'auteur Richard | 2010-12-16

  1. 8

    Il semble que ce est parce que vous avez un mauvais usage de la formule de l'interface de svm(). Normalement, on fournit une trame de données ou tout autre objet similaire, au sein de laquelle les variables dans la formule sont recherchés. Il n'a généralement pas d'importance si vous ne le faites pas, même si elle n'est pas le plus pratique, mais lorsque vous voulez prévoir, pas insérer des variables dans un bloc de données, vous reçoit dans un désordre. La raison pour laquelle il renvoie les données d'apprentissage est parce que vous ne fournissez pas newdata un objet avec un composant nommé x. Par conséquent, il ne peut pas trouver les nouvelles données x donc retourne les valeurs ajustées. Ce qui est commun pour la plupart des R predict méthodes que je connais.

    La solution est alors de i) mettre vos données d'entraînement dans un bloc de données et de passer svm ce que le data argument, et ii) la fourniture d'un nouveau bloc de données contenant x (à partir de test) à predict(). E. g.:

    > DF <- data.frame(x = x, y = y)
> mod <- svm(y ~ x, data = DF, kernel = "linear", gamma = 1, cost = 2,
+ type="C-classification")
> predict(mod, newdata = data.frame(x = test))
1 2 3 4 5 
1 1 1 1 1 
Levels: 0 1
    Merci beaucoup, vous avez sauvé ma journée!

    OriginalL'auteur Gavin Simpson

  2. 5

    Vous avez besoin newdata à être de la même forme, c'est à dire en utilisant un ensemble de données.cadre:

    R> library(e1071)
Loading required package: class
R> df <- data.frame(x=1:10, y=sample(c(0,1), 10, rep=TRUE))
R> mod <- svm(y ~ x, kernel = "linear", gamma = 1, 
+             cost = 2, type="C-classification", data=df)
R> newdf <- data.frame(x=11:15)
R> predict(mod, newdata=newdf)
1 2 3 4 5
0 0 0 0 0
Levels: 0 1
R>

    Par la voie, c'est également montré à la page d'aide pour svm():

     ## density-estimation

 # create 2-dim. normal with rho=0:
 X <- data.frame(a = rnorm(1000), b = rnorm(1000))
 attach(X)

 # traditional way:
 m <- svm(X, gamma = 0.1)

 # formula interface:
 m <- svm(~., data = X, gamma = 0.1)
 # or:
 m <- svm(~ a + b, gamma = 0.1)

 # test:
 newdata <- data.frame(a = c(0, 4), b = c(0, 4))
 predict (m, newdata)

    Donc, en somme, l'utilisation de la formule de l'interface et la fourniture de données.image --- c'est la façon dont essentiellement tous fonctions de modélisation dans la R du travail.

    OriginalL'auteur Dirk Eddelbuettel