1、训练模型

# 安装加载包
if (!require("e1071")) install.packages("e1071")
library(e1071)

# 内置数据集 iris（鸢尾花，多分类，选两类做二分类演示）
data(iris)
# 筛选两类：setosa 和 versicolor，只保留前两个特征
svm_data <- iris[iris$Species != "virginica", -3：-4]
svm_data$Species <- factor(svm_data$Species) # 分类变量必须转为因子

# 划分训练集和测试集（7:3）
set.seed(123) # 固定随机种子，结果可复现
train_idx <- sample(1:nrow(svm_data), size = 0.7*nrow(svm_data))
train <- svm_data[train_idx, ]
test <- svm_data[-train_idx, ]

# 线性SVM建模，kernel = "linear"
svm_linear <- svm(Species ~ ., data = train, kernel = "linear", cost = 1)

# 查看模型信息
summary(svm_linear)

Call:
svm(formula = Species ~ ., data = train, kernel = "linear", cost = 1)

Parameters:
   SVM-Type:  C-classification 
 SVM-Kernel:  linear 
       cost:  1 

Number of Support Vectors:  10

 ( 5 5 )


Number of Classes:  2 

Levels: 
 setosa versicolor

# 预测测试集
pred_linear <- predict(svm_linear, test)

# 混淆矩阵 & 准确率
table(Pred = pred_linear, True = test$Species)
acc_linear <- mean(pred_linear == test$Species)
cat("线性SVM准确率：", acc_linear, "\n")

#可视化
plot(svm_linear, data = train, Sepal.Length ~ Sepal.Width)

                      True
   Pred         setosa   versicolor
  setosa          15          0
  versicolor       0         15

线性SVM准确率： 1 

2、高斯核（RBF）非线性 SVM（最常用）

RBF 核有两个关键超参数：

• cost（C）：惩罚系数，越大越不允许错分，易过拟合
• gamma：核函数参数，越大决策边界越复杂，易过拟合

# RBF核SVM
svm_rbf <- svm(Species ~ ., data = train, kernel = "radial", 
               cost = 1, gamma = 0.1)

# 模型摘要
summary(svm_rbf)

# 预测
pred_rbf <- predict(svm_rbf, test)

# 混淆矩阵
table(Pred = pred_rbf, True = test$Species)
acc_rbf <- mean(pred_rbf == test$Species)
cat("RBF核SVM准确率：", acc_rbf, "\n")

3、调参

# 网格搜索超参数
set.seed(123)
svm_tune <- tune.svm(Species ~ ., data = train, kernel = "radial",
                     cost = c(0.1, 1, 10, 100),
                     gamma = c(0.01, 0.1, 1, 10))

# 最优参数
svm_tune$best.parameters

#    gamma  cost
#14   0.1   100

# 最优模型
best_svm <- svm_tune$best.model

# 测试集评估
pred_best <- predict(best_svm, test)
acc_best <- mean(pred_best == test$Species)
cat("调参后最优SVM准确率：", acc_best, "\n")

# 绘制分类边界图
plot(best_svm, data = train, Sepal.Length ~ Sepal.Width)

关键参数说明：
kernel：核函数，linear/radial/polynomial/sigmoid
cost：惩罚系数 C，控制对错分样本的惩罚力度
gamma：RBF 核宽度，控制邻域样本影响范围
scale = TRUE：默认自动标准化特征，SVM 对量纲敏感，必须标准化