繪製三維空間支持向量機

Question

如何繪製一個三維數據集的SVM（帶有x，y，z座標）？

我可以通過使用scatterplot3d(data)來繪製3D數據，但在使用svm結果時它如何工作？

編輯：從評論複製到答覆。這應該是由OP編輯：

3組數據

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. 

然後我做的SVM有：

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)) 

然後我有一個數據測試：

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

編者按：最後一點看起來有點奇怪，只有3個數據點。

Answer 1

爲了獲得核變換SVM的決策邊界，我通常只是預測一個新數據的網格，然後在decision value = 0級別上擬合一個輪廓（或3D等值面）。在3D中，您可以使用出色的rgl包進行繪圖（如Ben建議），並使用misc3d包中的contour3d()功能。這裏有一個例子：

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)