R语言 CMA包 svmCMA()函数中文帮助文档(中英文对照)

loveR

svmCMA(CMA)
svmCMA()所属R语言包：CMA

                                        Support Vector Machine
                                         支持向量机

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Calls the function svm from the package e1071 that provides an interface to the award-winning LIBSVM routines. For S4 method information, see svmCMA-methods
调用函数svm包e1071获奖的LIBSVM例程提供了一个接口。 S4方法的详细信息，请参阅svmCMA方法


用法----------Usage----------


svmCMA(X, y, f, learnind, probability, models=FALSE,seed=341,...)



参数----------Arguments----------

参数：X
Gene expression data. Can be one of the following:   
基因表达数据。可以是下列之一：

A matrix. Rows correspond to observations, columns to variables.  
Amatrix。行对应的观察，列变量。

A data.frame, when f is not missing (s. below).  
一个data.frame时f不缺少（S.下面）。

An object of class ExpressionSet.  
对象类ExpressionSet。


参数：y
Class labels. Can be one of the following:   
类的标签。可以是下列之一：

A numeric vector.  
一个numeric向量。

A factor.  
Afactor。

A character if X is an ExpressionSet that specifies the phenotype variable.  
一个如果character X是一个ExpressionSet指定的表型变量。

missing, if X is a data.frame and a proper formula f is provided.  
missing，X是data.frame和适当的公式f提供。

WARNING: The class labels will be re-coded to range from 0 to K-1, where K is the total number of different classes in the learning set.  
警告：类标签将被重新编码范围从0K-1，K是在学习集不同类别的总数。


参数：f
A two-sided formula, if X is a data.frame. The left part correspond to class labels, the right to variables.
一个双面的公式，如果X是data.frame。左边部分对应类的标签，对变量的权利。


参数：learnind
An index vector specifying the observations that belong to the learning set. May be missing; in that case, the learning set consists of all observations and predictions are made on the learning set.
索引向量指定属于学习集的意见。可能missing;在这种情况下，学习组学习集的所有意见和预测。


参数：probability
logical indicating whether the model should allow for probability predictions.
逻辑表示的概率预测模型是否应该允许。


参数：seed
Fix random number generator for reproducibility.
修复重现的随机数发生器。


参数：models
a logical value indicating whether the model object shall be returned  
一个逻辑值，该值指示是否应归还模型对象


参数：...
Further arguments to be passed to svm from the package e1071
进一步的参数被传递到svm包e1071


值----------Value----------

An object of class cloutput.
对象类cloutput。


注意----------Note----------

Contrary to the default settings in e1071:::svm, the used kernel is a linear kernel which has turned to be out a better default setting in the small sample, large number of predictors - situation, because additional nonlinearity is mostly not necessary there. It additionally avoids the tuning of a further kernel parameter gamma, s. help of the package e1071 for details.<br> Nevertheless, hyperparameter tuning concerning the parameter cost must
相反的默认设置e1071:::svm，所使用的内核是一个线性的内核是在小样本的默认设置，大量的预测 - 形势已经转向，因为额外的非线性主要是没有必要存在。此外，它避免了进一步的内核参数gamma，S调谐。帮助包e1071详情。参考然而，hyperparameter调整有关参数cost必须


作者（S）----------Author(s)----------


Martin Slawski <a href="mailto:ms@cs.uni-sb.de">ms@cs.uni-sb.de</a>

Anne-Laure Boulesteix <a href="mailto:boulesteix@ibe.med.uni-muenchen.de">boulesteix@ibe.med.uni-muenchen.de</a>

Christoph Bernau <a href="mailto:bernau@ibe.med.uni-muenchen.de">bernau@ibe.med.uni-muenchen.de</a>



参考文献----------References----------

A training algorithm for optimal margin classifiers.<br> Proceedings of the fifth annual workshop on Computational learning theory, pages 144-152, ACM Press.
LIBSVM: a library for Support Vector Machines http://www.csie.ntu.edu.tw/~cjlin/libsvm
Learning with kernels. MIT Press, Cambridge, MA.

参见----------See Also----------

compBoostCMA, dldaCMA, ElasticNetCMA, fdaCMA, flexdaCMA, gbmCMA, knnCMA, ldaCMA, LassoCMA, nnetCMA, pknnCMA, plrCMA, pls_ldaCMA, pls_lrCMA, pls_rfCMA, pnnCMA, qdaCMA, rfCMA,
compBoostCMA，dldaCMA，ElasticNetCMA，fdaCMA，flexdaCMA，gbmCMA，knnCMA，ldaCMA，LassoCMA，nnetCMA，pknnCMA，plrCMA，pls_ldaCMA，pls_lrCMA，pls_rfCMA，pnnCMA，qdaCMA ，rfCMA


举例----------Examples----------


### load Golub AML/ALL data[＃负载戈卢布反洗钱/所有数据]
data(golub)
### extract class labels[＃提取类标签]
golubY <- golub[,1]
### extract gene expression[＃提取的基因表达]
golubX <- as.matrix(golub[,-1])
### select learningset[＃选择learningset]
ratio <- 2/3
set.seed(111)
learnind <- sample(length(golubY), size=floor(ratio*length(golubY)))
### run _untuned_linear SVM[＃运行_untuned_linear SVM的]
svmresult <- svmCMA(X=golubX, y=golubY, learnind=learnind,probability=TRUE)
### show results[＃显示结果]
show(svmresult)
ftable(svmresult)

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。