¿Cómo puedo elegir los núcleos de SVM que voy a utilizar?

Question

Tengo problemas para determinar qué kernel debo utilizar en una SVM no lineal sin hacer pruebas previas. Quiero saber si hay alguna otra manera de determinar el mejor kernel sin pruebas? ¿Cómo se relaciona con los datos?

Answer 1

Haga su análisis con varios núcleos diferentes. Asegúrese de realizar una validación cruzada. Elija el núcleo que mejor funcione durante la validación cruzada y ajústelo a todo el conjunto de datos.

/edit: Aquí hay un código de ejemplo en R, para una SVM de clasificación:

#Use a support vector machine to predict iris species
library(caret)
library(caTools)

#Choose x and y
x <- iris[,c("Sepal.Length","Sepal.Width","Petal.Length","Petal.Width")]
y <- iris$Species

#Pre-Compute CV folds so we can use the same ones for all models
CV_Folds <- createMultiFolds(y, k = 10, times = 5)

#Fit a Linear SVM
L_model <- train(x,y,method="svmLinear",tuneLength=5,
    trControl=trainControl(method='repeatedCV',index=CV_Folds))

#Fit a Poly SVM
P_model <- train(x,y,method="svmPoly",tuneLength=5,
    trControl=trainControl(method='repeatedCV',index=CV_Folds))

#Fit a Radial SVM
R_model <- train(x,y,method="svmRadial",tuneLength=5,
    trControl=trainControl(method='repeatedCV',index=CV_Folds))

#Compare 3 models:
resamps <- resamples(list(Linear = L_model, Poly = P_model, Radial = R_model))
summary(resamps)
bwplot(resamps, metric = "Accuracy")
densityplot(resamps, metric = "Accuracy")

#Test a model's predictive accuracy Using Area under the ROC curve
#Ideally, this should be done with a SEPERATE test set
pSpecies <- predict(L_model,x,type='prob')
colAUC(pSpecies,y,plot=TRUE)