Začněte nyníZačněte zdarma

Sestavení a vizualizace naladěného modelu

V závěrečném cvičení této kapitoly sestavíš polynomiální SVM s využitím optimálních hodnot parametrů, které jsi získal/a z funkce tune.svm() v předchozím cvičení. Následně vypočítáš přesnosti na trénovací a testovací sadě a model vizualizuješ pomocí svm.plot(). Knihovna e1071 je předem načtená a trénovací i testovací datasety jsou dostupné v datových rámcích trainset a testset. Výstup funkce tune.svm() je uložen v proměnné tune_out.

Toto cvičení je součástí kurzu

Support Vector Machines v R

Zobrazit kurz

Pokyny k cvičení

  • Sestav SVM s polynomiálním jádrem stupně 2.
  • Použij optimální parametry vypočítané pomocí tune.svm().
  • Zjisti přesnosti na trénovací i testovací sadě.
  • Vykresli hranici rozhodnutí na trénovacích datech.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

#Build tuned model
svm_model <- svm(y~ ., data = trainset, type = "C-classification", 
                 kernel = ___, degree = ___, 
                 cost = tune_out$___$cost, 
                 gamma = tune_out$___$gamma, 
                 coef0 = tune_out$___$coef0)

#Calculate training and test accuracies
pred_train <- predict(svm_model, ___)
mean(pred_train == ___$y)
pred_test <- predict(svm_model, ___)
mean(pred_test == ___$y)

#plot model
plot(svm_model, trainset)
Upravit a spustit kód