R语言对皮马印第安人糖尿病数据集建立SVM模型，并调整参数取得最优模型

在R语言中，我们可以使用`e1071`包中的支持向量机（SVM）函数来处理皮马印第安人糖尿病数据集，这是一个经典的机器学习示例。首先，你需要加载所需的库并导入数据。假设数据已经保存为CSV文件，例如`pima.csv`：

# 加载必要的包
library(e1071)
library(caret)

# 加载数据
pima_data <- read.csv("pima.csv", header = TRUE) # 检查是否需要清洗或预处理数据

# 定义训练集和测试集
set.seed(123)  # 设置随机种子保持结果可复现
index <- createDataPartition(pima_data$diabetes, p = .75, list = FALSE)
train_data <- pima_data[index, ]
test_data <- pima_data[-index, ]

# 使用SVM建模，这里以线性核函数为例，你可以尝试其他核函数如"radial"、"poly"
svm_model <- svm(diabetes ~ ., data = train_data, kernel = "linear")

为了找到最佳的SVM参数，可以使用交叉验证和网格搜索（Grid Search）来调整参数。`caret`包提供了方便的工具：

# 参数网格
param_grid <- expand.grid(C = seq(0.1, 1, by = 0.1), gamma = seq(0.01, 1, by = 0.1))

# 创建一个SVM模型框架
svm_tune <- tune.svm(x = train_data[, -ncol(train_data)], y = train_data$diabetes,
                     tuneGrid = param_grid, kernel = "linear")

# 查看最佳参数
best_params <- svm_tune$bestTune
cat("Best parameters:\n", best_params, "\n")

# 使用最佳参数构建最终模型
final_svm_model <- svm(diabetes ~ ., data = train_data, kernel = "linear",
                       cost = best_params$cost, gamma = best_params$gamma)