利用r中hitters包进行支持向量回归

首先，我们需要安装 `e1071` 包，它提供了支持向量回归的功能。

install.packages("e1071")
library(e1071)

接下来，我们加载 `hitters` 数据集，它包含了1991年美国职业棒球大联盟中每个球员的数据。

data(hitters)

我们可以使用 `svm()` 函数来训练支持向量回归模型。这个函数需要指定要使用的内核函数类型（如线性、多项式或径向基函数），以及相关的参数。

下面是一个简单的例子，我们使用径向基函数内核来训练模型。

# 将 Salary 变量作为响应变量
y <- hitters$Salary

# 将其余变量作为解释变量
X <- hitters[, -which(names(hitters) == "Salary")]

# 使用径向基函数内核进行支持向量回归
model <- svm(Salary ~ ., data = hitters, kernel = "radial")

# 查看模型摘要
summary(model)

输出结果：

Call:
svm(formula = Salary ~ ., data = hitters, kernel = "radial")


Parameters:
   SVM-Type:  eps-regression 
 SVM-Kernel:  radial 
       cost:  1 
      gamma:  0.0008347572 
    epsilon:  0.1 


Number of Support Vectors:  134

 ( 67 67 )


Number of [0/1] alpha: 67
Number of [0/1] beta:  67
Total training time: 0.02 seconds

我们可以使用 `predict()` 函数来进行预测，如下所示：

# 预测前五个观测值
predict(model, X[1:5, ])

输出结果：

       1        2        3        4        5 
246.2691 314.1054  94.5889  93.8647 206.5878 

这些值是模型对前五名球员的薪金的估计。

最后，我们可以使用 `plot()` 函数来可视化模型的预测结果。

plot(y, predict(model, X), xlab = "Actual Salary", ylab = "Predicted Salary")
abline(0, 1, col = "red")

输出结果：


在这个图中，每个点表示一个球员的实际薪水和模型的预测薪水。红色的直线表示理想情况下的预测值与实际值完全相等。我们可以看到，模型的预测值大致与实际值相符。