r - kernlab 中的 kernelMatrix 函数不返回任何内容-6ren

r - kernlab 中的 kernelMatrix 函数不返回任何内容

转载作者：行者123 更新时间：2023-11-30 09:57:08

24

4

我是否遗漏了一些明显的东西？这工作正常:

library(kernlab)
kernelMatrix(rbfdot(1), c(1,2,3))

返回:

An object of class "kernelMatrix"
          [,1]      [,2]       [,3]
[1,] 1.00000000 0.3678794 0.01831564
[2,] 0.36787944 1.0000000 0.36787944
[3,] 0.01831564 0.3678794 1.00000000

但是这些都不起作用，它们只是不返回任何内容:

kernelMatrix(polydot(1), c(1,2,3)) 
kernelMatrix(vanilladot(), c(1,2,3))

我正在使用 kernlab_0.9-19(最新)。

最佳答案

它不应该与向量一起使用，尝试 kernelMatrix(polydot(1), as.matrix(c(1,2,3)))

关于r - kernlab 中的 kernelMatrix 函数不返回任何内容，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/22046915/

24

4

0

文章推荐： machine-learning - 如何使用Weka分类来选择一个特定的类别？

文章推荐： ubuntu - weka 令人困惑的 StringToWordVector 过滤器输出

文章推荐： android - Android 位置监控中的误报

r - kernlab::ksvm 中的概率模型
对于kernlab::ksvm中的分类任务，使用的默认SVM是C-svm(LIBSVM，Chang & Lin)，它计算二元分类任务。通过计算多个一对多二元分类器并聚合结果，可以将其扩展到多类问题。通
r - 从 kernlab 调整 ksvm
我想使用 R 中的 SVM 实现来进行一些回归。我已经尝试使用 e1071 中的 svm 但我受到那里的内核功能的限制。因此，我从 kernlab 转向 ksvm。但我有一个主要缺点，就是 kernl
r - R-Kernlab SVM 预测问题
我一直在尝试构建 SVM 分类器，但在 predict 方面遇到了问题。 > modelrbf predict(modelrbf,set[24,]) Error in .local(object,
r - kernlab 中 rbfKernel 的方程与标准不同？
我观察到 kernlab 使用 rbfkernel 作为， rbf(x,y) = exp(-sigma * euclideanNorm(x-y)^2) 但根据这个wiki link , rbf 内核应
r - kernlab 中的 kernelMatrix 函数不返回任何内容
我是否遗漏了一些明显的东西？这工作正常: library(kernlab) kernelMatrix(rbfdot(1), c(1,2,3)) 返回: An object of class "kern
r - 带 Kernlab 的内核 PCA 和结肠癌数据集的分类
我需要在 colon-‐cancer 上执行内核 PCA数据集: 然后我需要绘制主成分数量与 PCA 数据分类精度的关系图。对于第一部分，我使用 kernlab在 R 中如下(让特征数为 2，然
r - 如何在 kernlab 包的 ksvm 中自定义内核函数？
我有纬度和经度，所以我需要将RBF内核重新定义为exp(-1/2||sophere distrance||^2)，这意味着我需要自己重写一个核函数。我写我的内核如下: round.kernel <-
r - 在 R 中安装 kernlab 包
我正在尝试在 SLES 11 SP1 上安装 kernlab 软件包。我安装了所有必备软件包，例如。 gcc-fortran... 使用 install.packages("kernlab") 开始安
performance - 在循环中使用 kernlab 包中的 rbfdot 性能不佳
我的缓慢工作代码的简化示例(函数 rbf 来自 kernlab 包)需要加速: install.packages('kernlab') library('kernlab') rbf <-
r - 支持向量机训练插入符错误 kernlab 类概率计算失败；返回 NA
我有一些数据，Y 变量是一个因素 - 好或坏。我正在使用 'caret' 包中的 'train' 方法构建支持向量机。使用“训练”功能，我能够最终确定各种调整参数的值并获得最终的支持向量机。对于测试数
linux - 在 R 上安装 kernlab 包
我正在尝试在 R 上安装 kernlab 包，但我收到了一大堆错误消息，接近尾声时它说: g++ -shared -L/usr/local/lib64 -o kernlab.so brweight.o
r - 访问 R 中 kernlab::gausspr 函数中的估计变量
我正在查看用于高斯过程回归的 kernlab 包中的 R 函数 gausspr。该过程由核函数的超参数和数据中的噪声定义。我在文档中看到我可以指定 var: the initial noise var
r - Kernlab 疯狂 : inconsistent results for identical problems
我在 kernlab 包中发现了一些令人费解的行为:估计数学上相同的 SVM 在软件中会产生不同的结果。为了简单起见，此代码片段仅获取虹膜数据并将其设为二元分类问题。正如您所看到的，我在两个 SVM
R:使用自定义内核(用户定义内核)的 SVM 性能在 kernlab 中不起作用
我正在尝试使用用户定义的内核。我知道 kernlab 在 R 中提供用户定义的内核(自定义内核函数)。我使用了包括 kernlab 包在内的垃圾数据。(变量数量=57 示例数量=4061) 我定义了内
r - 在 R 中运行 kernlab 包的 ksvm 时出现此错误意味着什么
我使用以下语法调用 R 中 kernlab 包的 ksvm 方法 svmFit = ksvm(x=solTrainXtrans, y=solTrainYSVM, kernel="stringdot",
r - 使用具有 3 个或更多类变量的 KSVM(kernlab)在 R 中创建二维图
我正在尝试使用库(kernlab)中的 SVM 创建一个 2D 图，但它出现了 plot 函数只适用于二元分类。我希望能够绘制 3 个(或更多)组，如下例所示。我的数据结构就像虹膜数据一样，所以我
r - 将新数据点分配给内核 k-means 中的簇(R 中的 kernlab 包)？
我对 R 的 kernlab 包中的 kkmeans 函数有疑问。我是这个包的新手，如果我在这里遗漏了一些明显的东西，请原谅我. 我想将一个新数据点分配给一组集群中的一个集群，这些集群是使用内核 k-
R 理解 {caret} train(tuneLength = ) 和来自 {kernlab} 的 SVM 方法
试图更好地了解如何train(tuneLength = )工作于 {caret} .当我试图理解来自 {kernlab} 的 SVM 方法之间的一些差异时，我感到困惑。我已经查看了文档 ( here
r - 参数 C. epsilon 作为 R 中 kernlab 的 ksvm 中的向量
我正在尝试使用 R 中 kernlab 包的 ksvm 函数进行 epsilon-SVM 回归。我想将参数 C(正则化常数)和 epsilon(不敏感)作为向量(向量长度 = 训练数据长度)。但我不知
r - 使用 kernlab 包预测错误 Error in .local(object, ...) : test vector does not match model R
我正在测试kernlab封装在回归问题中。看来这是一个常见的问题，获取 'Error in .local(object, ...) : test vector does not match model

首页

博学

6Ren·AI

商城

r - kernlab 中的 kernelMatrix 函数不返回任何内容