Kernlab中的类权重语法？
Kernlab中的类权重语法？
提问于 2010-07-20 00:22:56
您好，我正在尝试使用kernlab包对R中的不平衡数据集进行分类，因为类分布不是1:1。我在ksvm()函数调用中使用class.weights选项，但是当我添加或删除权重时，在分类场景中没有得到任何差异？所以问题是声明类权重的正确语法是什么？
我正在使用以下函数调用：
model = ksvm(dummy[1:466], lab_tr,type='C-svc',kernel=pre,cross=10,C=10,prob.model=F,class.weights=c("Negative"=0.7,"Positive"=0.3))
#this is the function call with class weights
model = ksvm(dummy[1:466], lab_tr,type='C-svc',kernel=pre,cross=10,C=10,prob.model=F) 有没有人能对此发表评论，我是否遵循了添加权重的正确语法？我还发现，如果我们将权重与prob.model=T一起使用，ksvm函数将返回错误！
回答 1
Stack Overflow用户
回答已采纳
发布于 2010-07-20 04:15:21
你的语法是正确的，但在机器学习中，不工作类平衡的问题是相当普遍的；在某种程度上，从更大的类中删除一些对象是唯一保证有效的方法，但它仍然可能是错误增加的来源，并且必须小心以智能的方式这样做(在SVM中，潜在的支持向量应该具有优先级--当然，现在存在如何定位它们的问题)。
你也可以尝试将重量提高到简单的长度比，比如说十倍，并检查它是否有一点帮助，或者幸运的是，它对另一边的不平衡有一定的帮助。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/3282916
复制相关文章
相似问题
腾讯云开发者
