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。
为简单起见，此代码片段仅采用虹膜数据并使其成为二元分类问题。如您所见，我在两个 SVM 中都使用了线性内核。
library(kernlab)
library(e1071)
data(iris)
x <- as.matrix(iris[, 1:4])
y <- as.factor(ifelse(iris[, 5] == 'versicolor', 1, -1))
C <- 5.278031643091578
svm1 <- ksvm(x = x, y = y, scaled = FALSE, kernel = 'vanilladot', C = C)
K <- kernelMatrix(vanilladot(), x)
svm2 <- ksvm(x = K, y = y, C = C, kernel = 'matrix')
svm3 <- svm(x = x, y = y, scale = FALSE, kernel = 'linear', cost = C)
但是，svm1 和 svm2 的汇总信息 与 明显不同:kernlab 报告两个模型之间完全不同的支持向量计数、训练错误率和目标函数值。
> svm1
Support Vector Machine object of class "ksvm"
SV type: C-svc (classification)
parameter : cost C = 5.27803164309158
Linear (vanilla) kernel function.
Number of Support Vectors : 89
Objective Function Value : -445.7911
Training error : 0.26
> svm2
Support Vector Machine object of class "ksvm"
SV type: C-svc (classification)
parameter : cost C = 5.27803164309158
[1] " Kernel matrix used as input."
Number of Support Vectors : 59
Objective Function Value : -292.692
Training error : 0.333333
为了比较，我还使用 e1071 计算了相同的模型，它为 libsvm 包提供了 R 接口(interface)。
svm3
Call:
svm.default(x = x, y = y, scale = FALSE, kernel = "linear", cost = C)
Parameters:
SVM-Type: C-classification
SVM-Kernel: linear
cost: 5.278032
gamma: 0.25
Number of Support Vectors: 89
It reports 89 support vectors, the same as svm1.
我的问题是在 kernlab 包中是否有任何已知的错误可以解释这种不寻常的行为。
(R 的 Kernlab 是一种 SVM 求解器，它允许使用多个预先打包的内核函数之一，或用户提供的内核矩阵。输出是用户提供的超参数的支持向量机的估计值。)
最佳答案
查看一些代码，似乎这是有问题的行:
https://github.com/cran/kernlab/blob/efd7d91521b439a993efb49cf8e71b57fae5fc5a/src/svm.cpp#L4205
也就是说，在用户提供的内核矩阵的情况下，ksvm 只是查看二维，而不是输入的任何维度。这看起来很奇怪，可能是某些测试或其他什么的保留。仅使用二维数据测试线性内核产生相同的结果:将上面的 1:4 替换为 1:2，输出和预测都一致。
关于r - Kernlab 疯狂 : inconsistent results for identical problems，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/33813972/