Efecto de eliminar ejemplos
Los vectores de soporte se definen como ejemplos de entrenamiento que influyen en la frontera de decisión. En este ejercicio, observarás este comportamiento eliminando del conjunto de entrenamiento los que no son vectores de soporte.
El conjunto de datos de calidad del vino ya está cargado en X e y (solo las dos primeras características). (Nota: especificamos lims en plot_classifier() para forzar que las dos gráficas usen los mismos límites de los ejes y puedan compararse directamente).
Este ejercicio forma parte del curso
Clasificadores lineales en Python
Instrucciones del ejercicio
- Entrena un SVM lineal con todo el conjunto de datos.
- Crea un nuevo conjunto de datos que contenga solo los vectores de soporte.
- Entrena un nuevo SVM lineal con el conjunto de datos reducido.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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))