Ladění lineárních SVM

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Support Vector Machines v R

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

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.

Exercise 1: Obsah cukru v nealkoholických nápojích Exercise 2: Vizualizace datasetu s obsahem cukru Exercise 3: Určení hranice rozhodování Exercise 4: Najdi separátor s maximální marží Exercise 5: Vizualizace separátoru maximální marže Exercise 6: Generování lineárně separovatelné datové sady Exercise 7: Generování 2D rovnoměrně rozloženého datasetu.Exercise 8: Vytvoř rozhodovací hranici Exercise 9: Přidej do datasetu margin

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.

Exercise 1: Lineární support vector machines Exercise 2: Vytvoření trénovací a testovací sady Exercise 3: Sestavení lineárního SVM klasifikátoru Exercise 4: Prozkoumání modelu a výpočet přesnosti Exercise 5: Vizualizace lineárních SVM Exercise 6: Vizualizace support vektorů pomocí ggplot Exercise 7: Vizualizace rozhodovací hranice a marginu pomocí `ggplot2`Exercise 8: Vizualizace rozhodovací a marginové hranice pomocí `plot()`Exercise 9: Ladění lineárních SVM

Aktuální cvičení

Exercise 10: Ladění lineárního SVM Exercise 11: Vizualizace rozhodovacích hranic a okrajů Exercise 12: Kdy se hodí klasifikátory s měkkým okrajem?Exercise 13: Vícetřídní problémy Exercise 14: Problém klasifikace více tříd Exercise 15: Iris znovu – robustnější měření přesnosti.

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.

Exercise 1: Generování radiálně separovatelné datové sady Exercise 2: Generování 2D radiálně separovatelného datasetu Exercise 3: Vizualizace datasetu Exercise 4: Lineární SVM na radiálně separovatelných datech Exercise 5: Lineární SVM pro radiálně separovatelný dataset Exercise 6: Průměrná přesnost lineárního SVM Exercise 7: Kernel trick Exercise 8: Vizualizace transformovaných radiálně separovatelných dat Exercise 9: SVM s polynomiálním kernelem Exercise 10: Ladění SVM Exercise 11: Použití `tune.svm()`Exercise 12: Sestavení a vizualizace naladěného modelu

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.

Exercise 1: Generování komplexní datové sady Exercise 2: Generování složité datové sady – část 1 Exercise 3: Generování komplexního datasetu – část 2 Exercise 4: Vizualizace datasetu Exercise 5: Motivace pro RBF jádro Exercise 6: Lineární SVM pro komplexní dataset Exercise 7: Kvadratický SVM pro komplexní dataset Exercise 8: Jádro RBF Exercise 9: Polynomiální SVM na složitém datasetu Exercise 10: RBF SVM na komplexní datové sadě Exercise 11: Ladění SVM s RBF jádrem