Sto usando il pacchetto kernlab in R per creare un SVM per classificare alcuni dati.
SVM sta funzionando bene in quanto fornisce "previsioni" di un'accuratezza decente, tuttavia il mio elenco di variabili di input è più grande di quello che vorrei e non sono sicuro dell'importanza relativa delle diverse variabili.
Vorrei implementare un algoritmo genetico per selezionare il sottoinsieme di variabili di input che produce l'SVM meglio addestrato / più adatto.
Vorrei un aiuto per scegliere quale pacchetto R usare quando si tenta questa implementazione di GA (e possibilmente un breve esempio psuedo).
Ho cercato la maggior parte dei pacchetti R GA / P disponibili ( RGP , genalg , subselect , GALGO ), ma sto lottando concettualmente per vedere come passerei nella mia funzione ksvm come parte della funzione fitness e inserisco il mio array variabile come pool di popolazione ...?
Qualsiasi aiuto, pensiero o spintone nella giusta direzione ricevuto con gratitudine.
Grazie
codice che risolve questo aggiunto di seguito in una successiva EDIT
# 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)
}