or
Toto cvičení je součástí kurzu
Tato kapitola představuje základní koncepty support vector machines na jednoduchém jednorozměrném příkladu. Projdeš si také vytvořením lineárně separovatelné datové sady, která se využívá v následující kapitole.
Seznámí tě se základními koncepty support vector machines prostřednictvím aplikace algoritmu svm na lineárně separovatelnou datovou sadu. Klíčové koncepty jsou ilustrovány vizualizacemi v ggplot, které jsou sestaveny z výstupů algoritmu, a na jednoduchém příkladu je zdůrazněna role parametru cost. Kapitola je zakončena částí věnovanou tomu, jak algoritmus pracuje s vícetřídními problémy.
Přináší úvod do polynomiálních kernelů prostřednictvím datové sady, která je radiálně separovatelná (tj. má kruhovou rozhodovací hranici). Po ukázce nedostatečnosti lineárních kernelů pro tuto datovou sadu uvidíš, jak jednoduchá transformace problém lineárně separuje – to motivuje intuitivní výklad kernel tricku. Poté polynomiální kernel na datovou sadu aplikuješ a výsledný klasifikátor vyladíš.
Navazuje na předchozí tři kapitoly a představuje vysoce flexibilní kernel s radiální bázovou funkcí (RBF). Vytvoříš „komplexní" datovou sadu, která odhalí omezení polynomiálních kernelů. Poté, po intuitivním zdůvodnění RBF kernelu, uvidíš, jak řeší nedostatky ostatních kernelů probíraných v tomto kurzu.
Aktuální cvičení