Effet du retrait d'exemples
Les vecteurs de support sont définis comme des exemples d'entraînement qui influencent la frontière de décision. Dans cet exercice, vous allez observer ce comportement en retirant du jeu d'entraînement les exemples qui ne sont pas des vecteurs de support.
Le jeu de données sur la qualité du vin est déjà chargé dans X et y (seulement les deux premières caractéristiques). (Remarque : nous précisons lims dans plot_classifier() pour que les deux graphiques utilisent les mêmes limites d'axes et puissent être comparés directement.)
Cette activité fait partie du cours
Classificateurs linéaires en Python
Instructions de l’exercice
- Entraînez un SVM linéaire sur l'ensemble complet des données.
- Créez un nouveau jeu de données ne contenant que les vecteurs de support.
- Entraînez un nouveau SVM linéaire sur le jeu de données réduit.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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))