LoslegenKostenlos starten

Getuntes Modell erstellen und visualisieren

In der letzten Übung dieses Kapitels baust du eine polynomiale SVM mit den optimalen Parameterwerten, die du im vorherigen Schritt mit tune.svm() ermittelt hast. Danach berechnest du die Trainings- und Testgenauigkeiten und visualisierst das Modell mit svm.plot(). Die Bibliothek e1071 ist bereits geladen und die Trainings- und Testdatensätze stehen in den Dataframes trainset und testset bereit. Die Ausgabe von tune.svm() ist in der Variable tune_out verfügbar.

Diese Übung ist Teil des Kurses

<Kurs>Support Vector Machines in R</Kurs>
Kurs ansehen

Übungsanweisungen

  • Erstelle eine SVM mit einem Polynomial-Kernel vom Grad 2.
  • Verwende die optimalen Parameter, die mit tune.svm() berechnet wurden.
  • Ermittle die Trainings- und Testgenauigkeiten.
  • Plotte die Entscheidungsgrenze anhand der Trainingsdaten.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

#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)
Code bearbeiten und ausführen