kernel: 커널

내부 제품 계산에 사용하도록 지원되는 커널입니다.

사용

  linearKernel(...)

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

  rbfKernel(gamma = NULL, ...)

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

인수

a

(a*<x,y> + b)^d 항에서 a에 대한 숫자 값입니다. 지정되지 않은 경우 (1/(number of features)가 사용됩니다.

bias

(a*<x,y> + b)^d 항에서 b에 대한 숫자 값입니다.

deg

(a*<x,y> + b)^d 항에서 d에 대한 숫자 값입니다.

gamma

tanh(gamma*<x,y> + c 식에서 gamma에 대한 숫자 값입니다. 지정되지 않은 경우 1/(number of features)가 사용됩니다.

coef0

tanh(gamma*<x,y> + c 식에서 c에 대한 숫자 값입니다.

...

Microsoft ML 컴퓨팅 엔진에 전달되는 추가 인수입니다.

세부 정보

이러한 도우미 함수는 관련 알고리즘의 학습에 사용되는 커널을 지정합니다. 지원되는 커널:

linearKernel: 선형 커널입니다.

rbfKernel: 방사형 기본 함수 커널입니다.

polynomialKernel: 다항식 커널입니다.

sigmoidKernel: 시그모이드 커널입니다.

값

커널을 정의하는 문자열입니다.

작성자

Microsoft Corporation Microsoft Technical Support

참조

Estimating the Support of a High-Dimensional Distribution

New Support Vector Algorithms

추가 정보

rxOneClassSvm

예

 # 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)