R语言 wSVM包 wsvm()函数中文帮助文档(中英文对照)

loveR

wsvm(wSVM)
wsvm()所属R语言包：wSVM

                                        Weighted SVM with boosting algorithm for improving accuracy
                                         加权SVM算法提高了精度提高

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Compute Weighter SVM with boosting algorithm
提高算法计算重磅SVM


用法----------Usage----------


    wsvm(X, Y, c.n, kernel = list(type = 'linear', par = NULL), C = 1, eps = 1e-10)



参数----------Arguments----------

参数：X
input variable matrix. Data type must be a matrix format.
输入变量矩阵。数据类型必须是一个矩阵格式。


参数：Y
output variable vector which will be declared as a matrix in SVM. Data type must be a matrix format.
输出变量的向量，将被宣布为支持向量机中的矩阵。数据类型必须是一个矩阵格式。


参数：c.n
weighted term.
加权期限。


参数：kernel
set an attributes of kernel using list(). kernel$type means a type of kernel, including 'linear', 'poly', and 'rbf'. kernel$par means a parameter of kernel. For example, par = degree for 'poly' and  par = scale for 'rbf'.
设置内核使用列表的属性（）。内核$类型指类型的内核，包括线性，多聚，和对rbf。内核美元面值是指内核的参数。例如，PAR =“聚”和PAR =RBF规模的程度。


参数：C
regularization parameter.
正则化参数。


参数：eps
epsilon value.
epsilon值。


Details

详细信息----------Details----------

Weighted SVM with boosting algorithm for improving accuracy.
加权SVM算法提高了精度提高。


值----------Value----------

A function wsvm generate a list consists of fit, alpha, bias and sv. <br> model$fit = predicted values (n by 1)  <br> model$alpha = estimated coefficients (n by 1) <br>  model$bias = bias term  <br> model$sv = index of support vectors  
函数WSVM生成一个列表的契合，α，偏见和SV。参考模型拟合预测值（1）参考模型α=估计系数（1）参考模型偏压=偏压的术语<BR>模型$ SV =指数的支持向量


（作者）----------Author(s)----------



SungWhan Kim <a href="mailto:swiss747@korea.ac.kr">swiss747@korea.ac.kr</a> <br>
Soo-Heang Eo <a href="mailto:hanansh@korea.ac.kr">hanansh@korea.ac.kr</a>




参见----------See Also----------

wsvm.predict, wsvm.boost
wsvm.predict，wsvm.boost


实例----------Examples----------



# generate a simulation data set using mixture example(page 17, Friedman et al. 2000)[生成一个仿真数据集，使用混合的例子（第17页，弗里德曼等人，2000）]

svm.data <- simul.wsvm(set.seeds = 123)
X <- svm.data$X
Y <- svm.data$Y
new.X <- svm.data$new.X
new.Y <- svm.data$new.Y

# run Weighted K-means clustering SVM with boosting algorithm[与提高运行加权K-means聚类SVM算法]
model <- wsvm(X, Y, c.n = rep(1/ length(Y),length(Y)))

# predict the model and compute an error rate. [预测模型和计算的错误率。]
pred <- wsvm.predict(X,Y, new.X, new.Y, model)

Error.rate(pred$predicted.Y, Y)

# add boost algorithm[添加提高算法]

boo <- wsvm.boost(X, Y, new.X, new.Y, c.n = rep(1/ length(Y),length(Y)),
    B = 50, kernel.type = list(type = "rbf", par= 0.5), C = 4,
    eps = 1e-10, plotting = TRUE)
boo

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。