kernel: Kernel

Kernels, die für die Verwendung beim Berechnen innerer Produkte unterstützt werden.

Verwendung

  linearKernel(...)

  polynomialKernel(a = NULL, bias = 0, deg = 3, ...)

  rbfKernel(gamma = NULL, ...)

  sigmoidKernel(gamma = NULL, coef0 = 0, ...)

Argumente

a

Der numerische Wert für „a“ im Term (a*<x,y> + b)^d. Wenn dieser nicht angegeben wurde, wird (1/(number of features) verwendet.

bias

Der numerische Wert für „b“ im Term (a*<x,y> + b)^d.

deg

Der ganzzahlige Wert für „d“ im Term (a*<x,y> + b)^d.

gamma

Der numerische Wert für Gamma im Ausdruck tanh(gamma*<x,y> + c. Wenn dieser nicht angegeben wurde, wird 1/(number of features) verwendet.

coef0

Der numerische Wert für „c“ im Ausdruck tanh(gamma*<x,y> + c.

...

Zusätzliche Argumente, die an die Microsoft ML-Compute-Engine übergeben werden.

Details

Diese Hilfsfunktionen geben den Kernel an, der in relevanten Algorithmen zum Trainieren verwendet wird. Die unterstützten Kernel:

linearKernel: linearer Kernel.

rbfKernel: radialer Basisfunktionskernel.

polynomialKernel: polynomialer Kernel.

sigmoidKernel: Sigmoidkernel.

Wert

Eine Zeichenfolge, die den Kernel definiert.

Autor(en)

Microsoft Corporation Microsoft Technical Support

References

Estimating the Support of a High-Dimensional Distribution

New Support Vector Algorithms

Weitere Informationen

rxOneClassSvm

Beispiele

 # Simulate some simple data
 set.seed(7)
 numRows <- 200
 normalData <- data.frame(day = 1:numRows)
 normalData$pageViews = runif(numRows, min = 10, max = 1000) + .5 * normalData$day
 testData <- data.frame(day = 1:numRows)
 # The test data has outliers above 1000
 testData$pageViews = runif(numRows, min = 10, max = 1400) + .5 * testData$day

 train <- function(kernelFunction, args=NULL) {
     model <- rxOneClassSvm(formula = ~pageViews + day, data = normalData,
     kernel = kernelFunction(args))
     scores <- rxPredict(model, data = testData, writeModelVars = TRUE)
     scores$groups = scores$Score > 0
     scores
 }
 display <- function(scores) {
     print(sum(scores$groups))
     rxLinePlot(pageViews ~ day, data = scores, groups = groups, type = "p",
      symbolColors = c("red", "blue"))
 }
 scores <- list()
 scores$rbfKernel <- train(rbfKernel)
 scores$linearKernel <- train(linearKernel)
 scores$polynomialKernel <- train(polynomialKernel, (a = .2))
 scores$sigmoidKernel <- train(sigmoidKernel)
 display(scores$rbfKernel)
 display(scores$linearKernel)
 display(scores$polynomialKernel)
 display(scores$sigmoidKernel)