在R中使用支持向量机( 3. e1071包和klaR包)
包e1071提供了对libsvm的接口。库libsvm包括了常用的核,如线性，多项式，RBF，sigmoid等。多分类通过一对一的投票机制(one-against-one voting scheme)而实现。predict()是训练函数，plot()可视化数据，支持向量，决策边界(如果提供的话)。参数调整tune()。
例如
> library("e1071")
> model <- svm(Species ~ ., data = iris,
method = "C-classification", kernel = "radial",
cost = 10, gamma = 0.1)
> summary(model)
Call:
svm(formula = Species ~ ., data = iris, method = "C-classification", kernel = "radial", cost = 10,
gamma = 0.1)
Parameters:
SVM-Type: C-classification
SVM-Kernel: radial
cost: 10
gamma: 0.1
Number of Support Vectors: 32
( 3 16 13 )
Number of Classes: 3
Levels:
setosa versicolor virginica
显示2-维数据投影及支持向量。
>plot(model, iris, Petal.Width ~
Petal.Length, slice = list(Sepal.Width = 3,
Sepal.Length = 4))
上图中，支持向量被标为"x",预测类区域以颜色背景标亮。
包klaR对库SVMlight进行了简单的包装，提供了函数svmlight()以分类，可视化。Svmlight()支持C-SVM进行分类，ε-SVM进行回归。以一对所有(one-against-all)进行多类分类。SVMlight支持高斯核，多项式，线性和sigmoid核。Svmlight()的参数形式为字符串形式。函数predict()返回每个case的标签。
如
> library("klaR")
> data("B3")
> Bmod <- svmlight(PHASEN ~ ., data = B3,
+ svm.options = "-c 10 -t 2 -g 0.1 -v 0")
> predict(Bmod, B3[c(4, 9, 30, 60, 80, 120),
+ -1])
$class
[1] 3 3 4 3 4 1
Levels: 1 2 3 4
$posterior
1 2 3 4
[1,] 0.09633177 0.09627103 0.71112031 0.09627689
[2,] 0.09628235 0.09632512 0.71119794 0.09619460
[3,] 0.09631525 0.09624314 0.09624798 0.71119362
[4,] 0.09632530 0.09629393 0.71115614 0.09622463
[5,] 0.09628295 0.09628679 0.09625447 0.71117579
[6,] 0.71123818 0.09627858 0.09620351 0.09627973