我生成了一个这样的随机数据集：
set.seed(1234)
df <- data.frame(replicate(10, runif(100, 0, 1)))
df$Class <- sample(c(-1,1), 100, replace=T)
df$Class <- as.factor(df$Class)
它有二进制类，100个样本和10个功能 .
我尝试使用svm in R （e1071包）：
library(e1071)
set.seed(1234)
model <- svm(Class~.,data=df,kernel="radial",cost=1.0,tolerance=0.001,epsilon=1.0E-12,scale=TRUE,cross=10)
res <- predict(model, df[,-11])
table(pred=res, true=df[,11])
summary(res)
summary(df$Class)
然后它给了我一个结果，如：
true
pred -1 1
-1 49 13
1 6 32
最初在数据中，两个类的样本编号是：
-1 1
55 45
并且模型预测给出：
-1 1
62 38
但是，当我将此数据输出到.arff文件并运行 with WEKA SMO时，并尝试设置与this question中描述的相同的参数：
weka.classifiers.functions.SMO -C 1.0 -L 0.001 -P 1.0E-12 -N 0 -V 10 -W 1234 -K "weka.classifiers.functions.supportVector.RBFKernel -G 0.1 -C 250007"
WEKA的所有100个预测都是-1级，即没有样本被预测为1级 .
这两个结果似乎非常不同 .
我想知道，如果这两种方法之间的其他参数如此不同 . 或者它只是完全不同的实现？如果是后者，请您解释一下它们究竟是如何工作的？我知道svm如何工作的要点，我无法想象为什么他们的表现如此不同，并且犹豫决定使用哪一个 .
非常感谢你 .
类似的问题here .