我们使用e1071包来构建svm模型，e1071包中的svm()包含四种内核，我们依次测试四种kernel，看哪一个结果最好。不过在这里我们使用tune.svm()，因为该函数可以进行参数调优，kernel的种类也是可以选择的。

kernel
the kernel used in training and predicting. You might consider changing some of the following parameters, depending on the kernel type.

linear:
*u’v


polynomial:
(gamma*u’v + coef0)^degree


radial basis:
exp(-gamma|u-v|^2)


sigmoid:
*tanh(gamma*u’v + coef0)

# linear
set.seed(123)
# 寻找最优参数
linear.tune <- tune.svm(type ~., data = train, kernal = "linear",
                        cost = c(0.001, 0.01, 0.1, 1, 5, 10))
summary(linear.tune)
# 利用最优模型来预测
best.linear <- linear.tune$best.model
linear.test <- predict(best.linear, newdata = test)
# 查看预测准确率	
linear.tab <- table(linear.test, test$type)
linear.tab
# diag()：对角线相加
                    步骤1. 数据预处理2. 建模1. linear2. polynomial3. radial basis4. sigmoid3. 模型选择4. 特征选择5. 完整代码本文参考：《精通机器学习：基于R》5.3节数据集来自R包（MASS），包含了532位女性的信息，存储在两个数据框中，具体变量表述如下：npreg：怀孕次数glu：血糖浓度， 由口服葡萄糖耐量测试给出bp：舒张压skin：三头肌皮褶厚度bmi：身体质量指数ped：糖尿病家族影响因素age：年龄type：是否患有糖尿病（y
				
SVM模型（Support Vector Machine, 支持向量机）属于一种有监督的机器学习算法，可用于离散因变量的分类和连续因变量的预测。
它可以将低维线性不可分的空间转换为高维的线性可分空间。
SVM的简介
点到一条直线（Ax+By+C=0）
平行线距离：
多个分割的直线是否存在一个最优直线？——最优“超平面”
setwd('G:\\R语言\\大三下半年\\数据挖掘：R语言实战\\')
> library("e1071", lib.loc="H:/Program Files/R/R-3.6.1/library")
Warning message:
程辑包‘e1071’是用R版本3.6.2 来建造的
#####...
机器学习实战Python基于支持向量机（SVM）是一种强大的分类器算法。SVM是一种监督学习方法，可以用于解决二分类和多分类问题。
SVM的基本思想是找到一个最佳的超平面，将数据分割成不同的类别。超平面被定义为在n维空间中具有n-1维的子空间。这个子空间可以将不同类别的数据点分开，并且尽可能地最大化边界。这就意味着SVM在分类时尽量避免误分类，并且对于新的未知数据具有较好的泛化能力。
在Python中，我们可以使用scikit-learn库中的SVM实现机器学习任务。首先，我们需要导入必要的库和数据集。然后，我们可以对数据集进行预处理，如特征缩放和数据划分。接下来，我们可以创建一个SVM分类器，并使用训练数据进行模型的训练。训练完成后，我们可以使用测试数据进行预测，并评估模型的性能。
SVM还有一些重要的参数需要调节，如C和gamma。C表示惩罚项的权重，用于控制分类器的错误率和边界的平衡。较大的C值会减小错误率，但可能导致边界过拟合。gamma表示径向基函数核的参数，影响分类器的决策边界的灵活性。较大的gamma值会导致边界更加精确地拟合训练数据，但可能导致过拟合。
总的来说，机器学习实战Python基于支持向量机（SVM）是一个强大的分类器算法，可以用于解决二分类和多分类问题。在实际应用中，我们需要注意调节参数，使得分类器具有良好的泛化能力。  
### 回答2：
机器学习实战是一本非常实用的书籍，其中详细介绍了如何使用Python编程语言基于支持向量机（SVM）进行机器学习实践。
支持向量机是一种强大的监督学习算法，可以用于解决分类和回归问题。该算法通过寻找一个最优的超平面来分割样本空间，使得不同类别的样本尽可能远离超平面。实际上，SVM通过最大化支持向量与超平面的距离，来确保分类的准确性和泛化能力。
在书籍中，作者通过经典的例子和详细的代码示例，展示了如何应用Python编程语言和scikit-learn库来构建和训练SVM模型。读者将学会如何准备数据集，进行特征选择和数据预处理，选择合适的SVM参数以及评估模型的性能。
此外，书中还强调了交叉验证、网格搜索和模型调优等重要概念。这些概念是整个机器学习过程中不可或缺的一部分，能够帮助我们提高模型的准确性和可靠性。
机器学习实战还提供了丰富的示例和应用，涵盖了多个领域，如文本分类、手写数字识别和人脸识别等。通过这些实例，读者可以深入理解SVM在实际问题中的应用。
总而言之，机器学习实战是一本非常实用的书籍，提供了丰富的例子和代码，使读者能够快速上手并应用SVM算法解决实际问题。无论是对于初学者还是有一定机器学习经验的人来说，这本书都是一本值得推荐的学习资料。