在3维中绘制SVM

Question

如何为三维数据集(带有x,y,z坐标)绘制SVM？

我可以通过使用来绘制3D数据scatterplot3d(data),但是在使用svm结果时它是如何工作的？

编辑:从评论复制到答案.这应该是OP的编辑:

3组数据

data[1:10,1], data[1:10,2] and data[1:10,3] represent genuine data.
data[11:15,1], data[11:15,2] and data[11:15,3] represent userA data.
data[16:20,1], data[16:20,2] and data[16:20,3] represent userB data. 

然后我做了SVM:

 labels <- matrix( c(rep(1,10), rep(-1, 10)) )
 svp <- ksvm(data,labels, type="C-svc" , kernel='rbfdot', C=0.4, 
               kpar=list(sigma=0.2))

然后我有一个数据测试:

 dataTest[1,1], dataTest[1,2], dataTest[1,3] 
 predLabels = predict(svp,dataTest)

编者注:最后一点看起来有点奇怪,只有3个数据点.

Answer 1

为了获得内核变换SVM的决策边界,我通常只预测新数据的网格,然后将轮廓(或3D中的等值面)拟合到该decision value = 0级别.在3D中,您可以使用优秀rgl的绘图包,如Ben建议的,以及包中的contour3d()功能misc3d.这是一个例子:

library(e1071)
library(rgl)
library(misc3d)

n    = 100
nnew = 50

# Simulate some data
set.seed(12345)
group = sample(2, n, replace=T)
dat   = data.frame(group=factor(group), matrix(rnorm(n*3, rep(group, each=3)), ncol=3, byrow=T))

# Fit SVM
fit = svm(group ~ ., data=dat)

# Plot original data
plot3d(dat[,-1], col=dat$group)

# Get decision values for a new data grid
newdat.list = lapply(dat[,-1], function(x) seq(min(x), max(x), len=nnew))
newdat      = expand.grid(newdat.list)
newdat.pred = predict(fit, newdata=newdat, decision.values=T)
newdat.dv   = attr(newdat.pred, 'decision.values')
newdat.dv   = array(newdat.dv, dim=rep(nnew, 3))

# Fit/plot an isosurface to the decision boundary
contour3d(newdat.dv, level=0, x=newdat.list$X1, y=newdat.list$X2, z=newdat.list$X3, add=T)