相较于昨天的磕磕巴巴，今天这篇算得上是相当的顺利，原因也很简单，因为今天的内容从操作角度上来讲和昨天灰常灰常滴像~~~~

支持向量机，用的也是个现成的R包，包的名字有点玄学，叫e1071，就我目前见过的包名称来说，这算是最不直观的了——没装过的依旧提醒亲们用install.packages先下载好

上手还是和昨天一样的步骤

1） 导入两份数据表（Table1和Table2）

2） 合并信息到Table3

3） 稍稍整下顺序和列名

4） 分成已知和未知两部分（Known和Unknown）

代码直接复制昨天的，我就不动脑子了

-----------------前期步骤------------------

Table1<-read.csv("houseprice2.csv")

Table2<-read.csv("blockinfo.csv")

Table3<-merge(Table1[,c(1,2,3,5,10)], Table2[,c(2,9)],by = "block", all.x = TRUE)

names(Table3)[6]<- list("LocateScore")

Table3<-Table3[order(Table3$X),]

Known<-Table3[which(!is.na(Table1$LikeOrNot)),]

Unknown<-Table3[which(is.na(Table1$LikeOrNot)),]

---------------前期步骤结束---------------

然后，咱碰到了一个小小的差异点，这里我先示范个报错的情况（算是为了充篇幅，哈哈哈）

如果把现有的数据像昨天做BP神经网络那样直接代进去用的话，会出现以下情况：

看到下边的Error信息了不，重点请看黄色框框的提示，这个svm函数要求它的向量是数值型，而咱的LikeOrNot列是用TRUE和FALSE这俩逻辑值来表示的，所以，咱还得先迁就它一下下

#逻辑值转成数值0和1

Known$LikeOrNot <- as.factor(Known$LikeOrNot)

levels(Known$LikeOrNot) <- c(0,1)

转换好了，咱再用svm函数，输入公式接口和数据表就行，其他参数有默认值咱就不管了

Guess <- svm(LikeOrNot~size + floor + LocateScore, Known)

看看，这就乖了嘛

支持向量机的模型搞定了，然后再度请出predict函数给咱送结果（突然发现predict是个百搭有木有）

Predict1 <- predict(Guess,Unknown[,c(3,4,6)])

这时，咱碰到了和昨天的模型第二个有区别的地方，BP神经网络在判断二元变量时采用的是逻辑分布，所以输出值是0~1之间的连续数值，这个完全是可以理解的，但SVM显然使用的是一种非概率估计的分类方式，所以最终结果直接输出了0和1的因子型向量

替换回逻辑值的表示方式并放回原来的表格：

levels(Predict1) <- c(FALSE,TRUE) #转回逻辑值表示

Unknown$LikeOrNot <- Predict1

Table1[Unknown$X,10] <- Predict1

昨天的计算结果我有存下来哦，所以现在可以对照看看两者的差异

嗯，23个的结果中有两个不同的，而且这两个确实也算是比较模棱两可的那种，看来，大家的意见还算是挺一致的

好了，存档收工

write.csv(file = "houseprice4.csv",Table1[,2:10])