ComenzarEmpieza gratis

Construir y visualizar el modelo ajustado

En el ejercicio final de este capítulo, vas a construir un SVM polinómico usando los valores óptimos de los parámetros que obtuviste con tune.svm() en el ejercicio anterior. Después calcularás las exactitudes de entrenamiento y de prueba y visualizarás el modelo con svm.plot(). La librería e1071 ya está cargada y los conjuntos de entrenamiento y prueba están disponibles en los dataframes trainset y testset. La salida de tune.svm() está disponible en la variable tune_out.

Este ejercicio forma parte del curso

Máquinas de Vectores de Soporte en R

Ver curso

Instrucciones del ejercicio

  • Construye un SVM con un kernel polinómico de grado 2.
  • Usa los parámetros óptimos calculados con tune.svm().
  • Obtén las exactitudes de entrenamiento y de prueba.
  • Dibuja la frontera de decisión sobre los datos de entrenamiento.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

#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)
Editar y ejecutar código