机器算法验证 - 如何在 R 中为 SVM 输入变量执行遗传算法变量选择？ - 吾爱随笔录

我正在使用 R 中的kernlab包来构建一个 SVM 来对一些数据进行分类。

SVM 运行良好，因为它提供了相当准确的“预测”，但是我的输入变量列表比我想要的要大，而且我不确定不同变量的相对重要性。

我想实现一个遗传算法来选择输入变量的子集，以产生最佳训练/最适合的 SVM。

在尝试此 GA 实现时，我需要一些帮助来选择要使用的 R 包（可能还有一个简短的伪示例）。

我已经查看了大多数 R GA/P 包（RGP、genalg、subselect、GALGO），但我在概念上正在努力了解如何将我的 ksvm 函数作为适应度函数的一部分传递并输入我的变量数组作为人口池......？

任何朝着正确方向的帮助、想法或轻推都会感激不尽。

谢谢

解决此问题的代码在稍后的编辑中添加

# Prediction function to be used for backtesting
pred1pd = function(t) {
print(t)
##add section to select the best variable set from those available using GA
  # evaluation function - selects the best indicators based on miminsied training error
mi.evaluate <- function(string=c()) {
    tmp <- data[(t-lookback):t,-1]
    x <- string
    tmp <- tmp[,x==1]
    tmp <- cbind(data[(t-lookback):t,1],tmp)
    colnames(tmp)[1] <- "targets"
    trainedmodel = ksvm(targets ~ ., data = tmp, type = ktype, kernel="rbfdot", kpar=list(sigma=0.1), C = C, prob.model = FALSE, cross = crossvalid)
    result <- error(trainedmodel)
    print(result)
    }

## monitor tge GA process
monitor <- function(obj) {
minEval = min(obj$evaluations);
plot(obj, type="hist");
}

## pass out the GA results; size is set to be the number of potential indicators
gaResults <- rbga.bin(size=39, mutationChance=0.10, zeroToOneRatio=10, evalFunc=mi.evaluate, verbose=TRUE, monitorFunc=monitor, popSize=50, iters=3, elitism=10)

## now need to pull out the best chromosome and rebuild the data frame based on these results so that we can train the model

bestChro <- gaResults$population[1,]
newData <- data[,-1]
newData <- newData[,bestChro==1]
newData <- cbind(data[,1],newData)
colnames(newData)[1] <- "targets"
print(colnames(newData))

# Train model using new data set
model = trainSVM(newData[(t-lookback):t, ], ktype, C, crossvalid)
# Prediction
pred = as.numeric(as.vector(predict(model, newData[t+1, -1], type="response")))
# Print for user inspection
print(pred)
}