Auswirkung des Entfernens von Beispielen
Support-Vektoren sind Trainingsbeispiele, die die Entscheidungsgrenze beeinflussen. In dieser Übung beobachtest du dieses Verhalten, indem du Nicht-Support-Vektoren aus dem Trainingssatz entfernst.
Der Datensatz zur Weinqualität ist bereits in X und y geladen (nur die ersten beiden Features). (Hinweis: Wir geben lims in plot_classifier() an, damit beide Plots dieselben Achsenlimits verwenden und direkt vergleichbar sind.)
Diese Übung ist Teil des Kurses
Lineare Klassifikatoren in Python
Anleitung zur Übung
- Trainiere eine lineare SVM auf dem gesamten Datensatz.
- Erstelle einen neuen Datensatz, der nur die Support-Vektoren enthält.
- Trainiere eine neue lineare SVM auf dem kleineren Datensatz.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Train a linear SVM
svm = SVC(kernel="linear")
svm.fit(____)
plot_classifier(X, y, svm, lims=(11,15,0,6))
# Make a new data set keeping only the support vectors
print("Number of original examples", len(X))
print("Number of support vectors", len(svm.support_))
X_small = X[____]
y_small = y[____]
# Train a new SVM using only the support vectors
svm_small = SVC(kernel="linear")
svm_small.fit(____)
plot_classifier(X_small, y_small, svm_small, lims=(11,15,0,6))