我想在 R 中使用 SVM 实现来做一些回归。我已经尝试使用来自e1071 的svm，但我受到那里的内核函数的限制。所以我从kernlab 转到ksvm。但是我有一个主要的缺点是kernlab 中没有提供调整功能（如e1071 中的tune.svm）。有人可以解释我如何在那里调整不同内核的参数吗？
附言。我想特别使用rbfdot 内核。因此，如果至少有人可以帮助我了解如何调整 sigma，我将非常感激。
PPS。我完全清楚 kpar 的 "automatic" 值可用于“计算一个好的 sigma”。但我需要一些更具体、更符合tune.svm 的东西。
【问题讨论】：
您可以编写自己的包装器（说实话并不难），或者您可以尝试已经实现的解决方案，例如mlr 和caret。
mlr教程有an example about it。
ps = makeParamSet(
makeDiscreteParam("C", values = 2^(-2:2)),
makeDiscreteParam("sigma", values = 2^(-2:2))
)
ctrl = makeTuneControlGrid()
rdesc = makeResampleDesc("CV", iters = 3L)
res = tuneParams("classif.ksvm", task = iris.task, resampling = rdesc, par.set = ps, control = ctrl)
这将执行 3 折交叉验证以从网格中选择参数并评估 iris 数据集的准确性。当然，您可以更改重采样策略（留一法、蒙特卡罗 CV、CV、重复 CV、引导验证和保留）、搜索策略（网格搜索、随机搜索、广义模拟退火和迭代 F -race 都支持）和评估指标。
【讨论】：